python - 如何在 Tensorflow 中使用 conv1d_transpose？

Question

conv1d_transpose 尚未在 Tensorflow 的稳定版本中，但可以使用实现 on github

我想创建一个一维反卷积网络。输入的形状是 [-1, 256, 16]，输出应该是 [-1,1024,8]。内核大小为 5，步幅为 4。

我尝试用这个函数构建一维卷积层:

    (output_depth, input_depth) = (8, 16)
    kernel_width = 7
    f_shape = [kernel_width, output_depth, input_depth]
    layer_1_filter = tf.Variable(tf.random_normal(f_shape))

    layer_1 = tf_exp.conv1d_transpose(
        x,
        layer_1_filter,
        [-1,1024,8],
        stride=4, padding="VALID"
    )

layer_1 的形状是TensorShape([Dimension(None), Dimension(None), Dimension(None)])，但它应该是[ -1,1024,8]

我做错了什么？如何在 Tensorflow 中实现一维反卷积？

Answer 1

此时拉取请求已打开，因此 API 和行为可能而且可能会发生变化。 conv1d_transpose 不支持一些人们可能期望的功能:

• output_shape 要求批量大小静态已知，不能传-1;
• 另一方面，输出形状是动态的(这解释了无维度)。

此外，kernel_width=7 需要 in_width=255，而不是 256。应使 kernel_width 小于 4 以匹配 in_width=256。结果是这个演示代码:

x = tf.placeholder(shape=[None, 256, 16], dtype=tf.float32)
filter = tf.Variable(tf.random_normal([3, 8, 16]))    # [kernel_width, output_depth, input_depth]
out = conv1d_transpose(x, filter, output_shape=[100, 1024, 8], stride=4, padding="VALID")

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  result = sess.run(out, feed_dict={x: np.zeros([100, 256, 16])})
  print(result.shape)  # prints (100, 1024, 8)