我想在单个图像示例中使用函数tf.nn.conv2d()，但TensorFlow文档似乎只提到将此转换应用于一批图像。
文档提到输入图像必须是[batch, in_height, in_width, in_channels]形状，内核必须是[filter_height, filter_width, in_channels, out_channels]形状。但是，使用输入形状[in_height, in_width, in_channels]实现2D卷积的最简单方法是什么？
以下是当前方法的示例，其中img具有形状（高度，宽度，通道）：
img = tf.random_uniform((10,10,3)) # a single image
img = tf.nn.conv2d([img], kernel)[0] # creating a batch of 1, then indexing the single example
我正在重塑输入如下：
[in_height, in_width, in_channels]->[1, in_height, in_width, in_channels]->[in_height, in_width, in_channels]
当我只想转变一个例子时，这感觉就像一个不必要的和昂贵的操作。
是否有一种简单/标准的方法可以做到这一点，不涉及重塑？
AFAIK没有办法绕过它。似乎（here和here）第一个操作创建了一个副本（如果我错了，有人会纠正我）。你可以使用tf.expand_dims，因为它的冗长，它的IMO更具可读性。
另一方面，从张量中取0元素不应该在这种情况下执行副本并且几乎是免费的。
最重要的是，除了语法上的一点点不便（例如[0]）之外，这些操作肯定不是昂贵的，特别是在执行卷积的情况下。
BTW。其他现成的替代层，如tf.keras中的那些，也需要批量作为第一维。