python - 为什么当作为参数传递给 `input_shape` 层时， `Dense` 不包括批处理维度？

Question

在 Keras 中，为什么是 input_shape当作为参数传递给像 Dense 这样的层时，不包括批处理维度但在 input_shape 时包含批处理维度传递给 build模型的方法？

import tensorflow as tf
from tensorflow.keras.layers import Dense

if __name__ == "__main__":
    model1 = tf.keras.Sequential([Dense(1, input_shape=[10])])
    model1.summary()

    model2 = tf.keras.Sequential([Dense(1)])
    model2.build(input_shape=[None, 10])  # why [None, 10] and not [10]?
    model2.summary()

这是 API 设计的明智选择吗？如果是，为什么？

Answer 1

您可以通过几种不同的方式指定模型的输入形状。例如，通过向模型的第一层提供以下参数之一:

batch_input_shape :第一个维度是批量大小的元组。

input_shape : 不包括批大小的元组，例如，批大小假定为 None或 batch_size ，如果指定。

input_dim : 一个标量，表示输入的维度。

在所有这些情况下，Keras 都是 internally storing一个属性 _batch_input_size建立模型。
关于 build方法，我的猜测是这确实是一个有意识的选择——关于批量大小的信息可能对在某些(也许是未曾想到的)情况下构建模型有用。因此，包含批处理维度作为输入的框架 build比没有的框架更通用和完整。尽管如此，我同意你将论点命名为 batch_input_shape而不是 input_shape将使一切更加一致。

值得一提的是，用户很少需要调用 build自己的方法。这在需要时在内部发生。如今，甚至可以 ignore input_shape创建模型时的参数(尽管像 summary 这样的方法在模型构建之前将不起作用)。在这种情况下，Keras 能够从参数 x 推断输入形状。的 fit .