Tensorflow tf.keras和keras之间Conv2D的输出形状不同？

这可能是个愚蠢的问题，因为我对Keras和Tensorflow还不熟悉

我有一个简单的模型：

classifier=Sequential()

classifier.add(Convolution2D(32, 3, 3, input_shape=(64, 64, 3), activation='relu'))

classifier.add(MaxPooling2D(pool_size=(2, 2)))

classifier.add(Flatten())

classifier.add(Dense(units=128, activation='relu'))
classifier.add(Dense(units=128, activation='relu'))
classifier.add(Dense(units=2, activation='softmax'))

classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

classifier.summary()

当使用

tf.keras.*

（如tensorflow.keras.models导入顺序）类运行时，

摘要

将第一层显示为：

Layer (type)                 Output Shape              Param #
=================================================================
conv2d (Conv2D)              (None, 21, 21, 32)        896

Layer (type)                 Output Shape              Param #
=================================================================
conv2d_1 (Conv2D)            (None, 62, 62, 32)        896

但是当使用

keras.*

（类似于keras.models中的

）类运行时，会导入顺序类<代码>摘要

将第一层显示为：

Layer (type)                 Output Shape              Param #
=================================================================
conv2d (Conv2D)              (None, 21, 21, 32)        896

Layer (type)                 Output Shape              Param #
=================================================================
conv2d_1 (Conv2D)            (None, 62, 62, 32)        896

为什么它们给出不同的输出形状

---

我使用的是tensorflow 2.0.0和keras 2.3.1，这实际上与内核大小有关。首先让我们检查一下

例1： 请注意，

Conv2D

中关于代码的微小变化是

classifier.add（Conv2D（32,3,3，input_shape=（64,64,3），activation='relu'））

，另一个是

kernel_size=（3,3）

。 示例1给出了如下输出形状：

（无、62、62、32）

例2： 让我们将其更改为您的版本

classifier=Sequential()

classifier.add(Conv2D(32, 3, 3, input_shape=(64, 64, 3), activation='relu'))
classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

classifier.summary()

结果,

（无、21、21、32）896

---

结论是，

tf.keras

api和独立

keras

对

内核大小的解释不同。注意，我通过
tf.keras
api获得了这两个结果。
这实际上与
内核大小有关。首先让我们检查一下

例1：
请注意，
Conv2D
中关于代码的微小变化是
classifier.add（Conv2D（32,3,3，input_shape=（64,64,3），activation='relu'））
，另一个是
kernel_size=（3,3）
。
示例1给出了如下输出形状：

（无、62、62、32）

例2：
让我们将其更改为您的版本

classifier=Sequential()

classifier.add(Conv2D(32, 3, 3, input_shape=(64, 64, 3), activation='relu'))
classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

classifier.summary()

结果,

（无、21、21、32）896

结论是，
tf.keras
api和独立
keras
对
内核大小的解释不同。注意，我通过
tf.keras
api获得了这两个结果