我想在单个图片示例中使用函数tf.nn.conv2d()，但是TensorFlow文档似乎只提到将这种转换应用于批量图片。
文档提到输入图像必须为[batch, in_height, in_width, in_channels]形状，内核必须为[filter_height, filter_width, in_channels, out_channels]形状。但是，用输入形状[in_height, in_width, in_channels]实现2D卷积的最直接方法是什么？
以下是当前方法的示例，其中img具有形状（高度，宽度，通道）：
img = tf.random_uniform((10,10,3)) # a single image
img = tf.nn.conv2d([img], kernel)[0] # creating a batch of 1, then indexing the single example
我正在重塑输入，如下所示：
[in_height, in_width, in_channels]->[1, in_height, in_width, in_channels]->[in_height, in_width, in_channels]
当我只想转换一个示例时，这感觉像是不必要且昂贵的操作。
是否有一种简单/标准的方法来执行此操作而不涉及重塑？
答案 0 :(得分：0)
AFAIK无法解决。似乎（here和here）的第一个操作创建了一个副本（如果我错了，请纠正我）。不过，您可以使用tf.expand_dims，因为它的冗长性使IMO更具可读性。
另一方面，从张量中提取0元素在这种情况下不应该执行复制，并且几乎是免费的。
最重要的，除了语法上的一些不便（例如[0]），这些操作肯定不昂贵，尤其是在进行卷积的情况下。
顺便说一句。其他tf.keras中可用的备用图层也需要将批次作为第一维。