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

Question

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

过去，在使用独立的 Keras 时，重要的是compute_output_shape(input_shape)在任何自定义层中定义方法，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 和图形模式下工作。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及 remove 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，但在O'RIELLY Publications 的 O'RIELLY Publications 的第 12 章， Custom Models and Training with TensorFlow中，使用 Scikit-Learn 和 Tensorflow 进行机器学习的动手实践（第 2 版更新为 Tensorflow 2），由 Aurelien 编写Geron，如下面的屏幕截图所示：

要回答您的问题，是的，可以肯定地说compute_output_shape，除非图层是动态的，否则不需要。

这在未使用的自定义层上的这个Tensorflow 教程中很明显compute_output_shape。

希望这可以帮助。快乐学习！