tf.keras和keras之间Conv2D的输出形状不同吗？

Question

由于我是Keras和Tensorflow的新手，这可能是一个愚蠢的问题。

我有一个简单的模型：

classifier=Sequential()

classifier.add(Convolution2D(32, 3, 3, input_shape=(64, 64, 3), activation='relu'))

classifier.add(MaxPooling2D(pool_size=(2, 2)))

classifier.add(Flatten())

classifier.add(Dense(units=128, activation='relu'))
classifier.add(Dense(units=128, activation='relu'))
classifier.add(Dense(units=2, activation='softmax'))

classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

classifier.summary()

使用tf.keras.*类（例如from tensorflow.keras.models import Sequential）运行时，summary将第一层显示为：

Layer (type)                 Output Shape              Param #
=================================================================
conv2d (Conv2D)              (None, 21, 21, 32)        896

，但与keras.*（如from keras.models import Sequential）类一起运行时。 summary将第一层显示为：

Layer (type)                 Output Shape              Param #
=================================================================
conv2d_1 (Conv2D)            (None, 62, 62, 32)        896

为什么它们给出不同的输出形状？

我正在使用tensorflow 2.0.0和keras 2.3.1

Answer 1

实际上与kernel_size有关。首先让我们检查一下

示例1：

classifier=Sequential()

classifier.add(Conv2D(32, (3, 3), input_shape=(64, 64, 3), activation='relu'))
classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

classifier.summary()

请注意，在您的代码中，Conv2D中的微小变化是classifier.add(Conv2D(32, 3, 3, input_shape=(64, 64, 3), activation='relu'))，而另一个则有kernel_size = (3, 3)。 示例1的输出形状为

  

（无，62、62、32）

示例2：

让我们将其更改为您的版本

classifier=Sequential()

classifier.add(Conv2D(32, 3, 3, input_shape=(64, 64, 3), activation='relu'))
classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

classifier.summary()

导致

  

（无人，21、21、32）896

结论是，tf.keras api和独立keras对kernel_size的解释不同。请注意，我使用tf.keras api获得了两个结果。