如何通过Tensorflow conv2d提供成批图像序列

这似乎是一个微不足道的问题，但我一直找不到答案

我已经批量处理了形状的图像序列：

[批量大小、帧数、帧高、帧宽、频道数]

我想让每一帧都通过一些卷积层和池层。但是，TensorFlow的conv2d层接受形状的4D输入：

[批量大小、帧高、帧宽、频道数量]

我的第一次尝试是在axis=1上使用

tf.map\fn

，但我发现了这一点

我的第二次尝试是在第一个维度上使用

tf.unstack

，然后使用

tf.while\u loop

。但是，我的

batch\u size

和

num\u帧

是动态确定的（即两者都是

None

），如果

num

未指定，则

unstack

引发

{ValueError}无法从形状（？、30、30、3）推断num。我尝试指定
num=tf.shape（self.observations）[1]
，但这会导致
{TypeError}参数'num'不需要int。
因为所有图像（
num\u of\u frames
）都传递到同一个卷积模型，所以可以将批处理和帧堆叠在一起，并进行正常的卷积。只需使用
tf.resize
即可实现，如下所示：


x重塑输出大小将
（50、32、32、3）

输出大小与输入大小相同：
（10,5,32,32,3

# define your conv network
y = tf.layers.conv2d(x_reshapped,5,kernel_size=(3,3),padding='SAME')
#(50, 32, 32, 3)

#Get back the input shape
out = tf.reshape(x,[-1, tf.shape(x)[1], 32, 32, 3])

with tf.Session() as sess:
   sess.run(tf.global_variables_initializer())

   print(sess.run(out, {x:np.random.normal(size=(10,5,32,32,3))}).shape)
   #(10, 5, 32, 32, 3) 

是的，我的室友指出了这一点。我想这是最简单的解决办法：D
with tf.Session() as sess:
   sess.run(tf.global_variables_initializer())

   print(sess.run(out, {x:np.random.normal(size=(10,5,32,32,3))}).shape)
   #(10, 5, 32, 32, 3)