Question

我想实现具有不固定输入大小的Generative对抗网络（GAN），例如4-D Tensor (Batch_size, None, None, 3)。

但是当我使用conv2d_transpose时，有一个参数output_shape，此参数必须在解卷积操作后传递true size。

例如，如果the size of batch_img is (64, 32, 32, 128), w is weight with (3, 3, 64, 128)，则

之后

deconv = tf.nn.conv2d_transpose(batch_img, w, output_shape=[64, 64, 64, 64],stride=[1,2,2,1], padding='SAME')

所以，我deconv获得了size (64, 64, 64, 64)，如果我通过了true size of output_shape，那就没问题了。

但是，我想使用不固定的输入大小(64, None, None, 128)，并使用deconv获取(64, None, None, 64)。

但是，它会引发如下错误。

TypeError: Failed to convert object of type <type'list'> to Tensor...

那么，我该怎么做才能在deconv中避免这个参数？还是有另一种方法来实现不固定的GAN？

Answer 1

输出形状列表不接受在列表中包含无，因为无对象无法转换为张量对象
无仅允许acts_as_notifiable :users, #Notification targets as :targets # Set to notify to author and users commented to the article, except comment owner self targets: ->(mycase, key) { ([mycase.attorney_user] + [mycase.user]+[mycase.client]).uniq },
对于不同大小的output_shape而不是无尝试 -1 ，例如您想要大小tf.placeholder，请尝试(64, None, None, 128) ...我不是确切这是否有效...这对我来说对于我的第一个参数不是固定大小的batch_size，所以我使用 -1
对于转置卷积[64, -1, -1, 128]
我确信高级api tf.layers.conv2d_transpose()对您有用，因为它需要不同输入的张量
您甚至无需指定tf.layers.conv2d_transpose()，只需指定output-shape和output_channel即可使用
详细信息：https://www.tensorflow.org/api_docs/python/tf/layers/conv2d_transpose ...我希望这会有所帮助

Answer 2

我也遇到了这个问题。如此处其他答案所示，使用-1不起作用。相反，您必须掌握传入张量的形状并构造output_size参数。这是我编写的测试的摘录。在这种情况下，这是未知的第一个维度，但它适用于已知参数和未知参数的任何组合。

output_shape = [8, 8, 4] # width, height, channels-out. Handle batch size later
xin = tf.placeholder(dtype=tf.float32, shape = (None, 4, 4, 2), name='input')
filt = tf.placeholder(dtype=tf.float32, shape = filter_shape, name='filter')

## Find the batch size of the input tensor and add it to the front
## of output_shape
dimxin = tf.shape(xin)
ncase = dimxin[0:1]
oshp = tf.concat([ncase,output_shape], axis=0)

z1 = tf.nn.conv2d_transpose(xin, filt, oshp, strides=[1,2,2,1], name='xpose_conv')

Answer 3

我找到了一种解决方案，将tf.shape用于未指定的形状，将get_shape（）用于指定的形状。

def get_deconv_lens(H, k, d):
    return tf.multiply(H, d) + k - 1

def deconv2d(x, output_shape, k_h=2, k_w=2, d_h=2, d_w=2, stddev=0.02, name='deconv2d'):
    # output_shape: the output_shape of deconv op
    shape = tf.shape(x)
    H, W = shape[1], shape[2]
    N, _, _, C = x.get_shape().as_list()
    H1 = get_deconv_lens(H, k_h, d_h)
    W1 = get_deconv_lens(W, k_w, d_w)

    with tf.variable_scope(name):
        w = tf.get_variable('weights', [k_h, k_w, C, x.get_shape()[-1]], initializer=tf.random_normal_initializer(stddev=stddev))
        biases = tf.get_variable('biases', shape=[C], initializer=tf.zeros_initializer())

    deconv = tf.nn.conv2d_transpose(x, w, output_shape=[N, H1, W1, C], strides=[1, d_h, d_w, 1], padding='VALID')
    deconv = tf.nn.bias_add(deconv, biases)

    return deconv

Tensorflow conv2d_transpose output_shape

3 个答案: