在定义一个自定义的tf.keras Layer时，是否还需要实现 "compute_output_shape()"？

Question

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

在过去，当使用独立的Keras时，重要的是要定义 compute_output_shape(input_shape) 方法，这样计算图就可以被创建。

现在，在转移到TF2之后，我发现即使我从我的自定义实现中删除了该方法，该层仍然按照预期工作。显然，它在急切和图形模式下都能工作。这是我的一个例子。

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

这是我的一个例子： compute_output_shape() 是不是没有必要了？我是不是错过了什么重要的东西？

在文档中，没有明确提到要删除 compute_output_shape()虽然没有一个例子明确地实现它。

谢谢你

Answer 1

在Tensorflow文档中没有提到，但在 第十二章, 使用TensorFlow进行自定义模型和训练 的书。使用Scikit-Learn和Tensorflow进行机器学习（第2版更新为Tensorflow 2）。 由Aurelien Geron撰写的《O'RIELLY Publications》一书中提到，如下图所示。

回答你的问题，是的，可以肯定地说 compute_output_shape 不需要，除非该层是动态的。

从这一点可以看出 Tensorflow自定义图层教程 哪儿 compute_output_shape 是不用的。

希望对大家有所帮助。祝大家学习愉快!