Tensorflow 作为模型中的第一层，tf.keras.layers.Conv2D真的需要输入_形状吗？

根据on

tf.keras.layers.Conv2D

将此层用作模型中的第一层时，请提供关键字参数input_shape（整数元组，不包括样本轴），例如input_shape=（128，128，3），用于数据格式为“channels_last”的128x128 RGB图片

但实际上，在没有输入_形状的情况下，它可以在图形执行和渴望执行环境中工作

在图形执行中

import tensorflow as tf
from tensorflow.keras.layers import Conv2D, Flatten, Dense

class CNN(tf.keras.Model):

    def __init__(self):
        super(CNN, self).__init__()
        self.conv = Conv2D(1, 3, padding='same', data_format='channels_first')
        self.flatten = Flatten()
        self.dense = Dense(1)

    def call(self, inputs):
        x = self.conv(inputs)
        x = self.flatten(x)
        return self.dense(x)


cnn = CNN()
inputs = tf.random_uniform([2, 3, 16, 16])
outputs = cnn(inputs)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    outputs = sess.run(outputs)
    print(outputs)

工作无误，执行迅速

import tensorflow as tf
from tensorflow.keras.layers import Conv2D, Flatten, Dense
tf.enable_eager_execution()

class CNN(tf.keras.Model):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv = Conv2D(1, 3, padding='same', data_format='channels_first')
        self.flatten = Flatten()
        self.dense = Dense(1)

    def call(self, inputs):
        x = self.conv(inputs)
        x = self.flatten(x)
        return self.dense(x)


cnn = CNN()
inputs = tf.random_uniform([2, 3, 16, 16])
outputs = cnn(inputs)
print(outputs)

也有

Q1:tf.keras.layers.Conv2D作为模型中的第一层，是否真的需要指定

input\u shape

问题2：如果没有，何时需要，为什么在正式文件中提到

更新1： 说

输入维度的数量通常是不必要的，因为它可以被推断出来 第一次使用该层时，如果您愿意，可以提供该层 手动指定它，这在某些复杂模型中很有用

更新2：

---

TensorFlow源代码中docstring的

git Gull

显示该文档是从Keras API（不是TensorFlow Keras API）复制的。

卷积通常不需要输入形状。实际上，您可以为同一网络提供不同的输入形状，但如果您为tensorflow提供一个输入形状，则速度要快得多。我认为原因，为什么会在文件中说明

---

tensorflow的原始方法甚至没有输入形状的参数。

谢谢！顺便说一句，tensorflow的原始方法是指什么？如果你的答案是正确的，我可以在构建时而不是在初始化时修复输入形状吗？还是应该问另一个问题？在引擎盖下使用

tf.nn.conv2d

。（）但是KARS调用C++ API而不是Python。FIX的意思是什么？FIX意味着指定。换句话说，我是否可以指定

input\u shape

不是在初始化时，而是在构建时？