tensorflow - 定义自定义tf.keras层时是否还需要实现 `compute_output_shape()`？

Question

我已经实现了一个自定义 Layer在 tf.keras ，使用 TensorFlow 2.1.0。

过去，在使用独立的 Keras 时，定义 compute_output_shape(input_shape) 很重要。任何自定义层中的方法，以便可以创建计算图。

现在，转移到 TF2 后，我发现即使我从自定义实现中删除了该方法，该层仍然可以按预期工作。显然，它可以在eager 和graph 模式下工作。
这是我的意思的一个例子:

from tensorflow.keras.layers import Layer, Input
from tensorflow.keras.models import Sequential
import numpy as np


class MyLayer(Layer):
    def call(self, inputs):
        return inputs[:, :-1]  # Do something that changes the shape


m = Sequential([MyLayer(), MyLayer()])
m.predict(np.ones((10, 3)))  # This would not have worked in the past

可以这么说 compute_output_shape()不再需要了吗？我错过了什么重要的东西吗？

在文档中没有明确提到删除 compute_output_shape() ，尽管没有一个示例明确实现它。

谢谢

Answer 1

Tensorflow 文档中没有提到它，而是在 中提到。第12章 , 使用 TensorFlow 定制模型和训练 书，使用 Scikit-Learn 和 Tensorflow 进行机器学习实践(针对 Tensorflow 2 更新第 2 版)由 Aurelien Geron 撰写的 O'RIELLY Publications 中提到，如下面的屏幕截图所示:



要回答您的问题，是的，可以安全地说 compute_output_shape除非图层是动态的，否则不需要。

从这个 Tensorflow Tutorial on Custom Layer 可以明显看出这一点哪里compute_output_shape未使用。

希望这可以帮助。快乐学习!