Question

在下面的代码中，我有2个最大池和2个卷积层。在pooling_out2之后，我想添加一个完全连接的图层。如果我提到

`W-input=tf.reshape(pooling_out2, [-1,FLAGS.image_size*FLAGS.image_size*32])`

它将获取image的初始值。让我说我从图像大小28开始。我应该给它什么命令重塑pooling_out2的维度？

    `batch_size = 4
     input =     tf.Variable(tf.random_normal([batch_size,FLAGS.image_size,FLAGS.image_size,FLAGS.input_channel]))
    filter = weight_variable([FLAGS.image_size,FLAGS.image_size,FLAGS.input_channel,FLAGS.filter_channel])
    filter_2= 
 weight_variable([FLAGS.filter_size,FLAGS.filter_size,FLAGS.filter_channel,32])
    def conv2d(inputs,filters):
        return tf.nn.conv2d(inputs,filters,strides=[1,2,2,1],padding='SAME')
    def max_pool(conv_out):
        return tf.nn.max_pool(conv_out,ksize=[1,FLAGS.filter_size,FLAGS.filter_size,1],strides=[1,2,2,1],padding='SAME')
    conv_out1 = conv2d(input,filter)
    pooling_out1 = max_pool(conv_out1)
    conv_out2 = conv2d(pooling_out1,filter_2)
    pooling_out2 = max_pool(conv_out2)`

Answer 1

您可以使用命令tf.shape

获得张量流张量的形状（作为张量流量张量）

然后在第一个之后将尺寸相乘就足够了，如下所示：

last_shape = tf.shape(pooling_out2)
n_features = tf.reduce_prod(last_shape[1:])
new_shape = [last_shape[0], n_features]
W_input = tf.reshape(pooling_out2, new_shape)

在张量流代码中重塑完全连接层的输入？

1 个答案: