3

我想实现一个输入大小不固定的生成对抗网络 (GAN)，例如4-D Tensor (Batch_size, None, None, 3).

但是当我使用conv2d_transpose时，有一个参数output_shape，这个参数必须通过true size反卷积后的操作。

例如，如果the size of batch_img is (64, 32, 32, 128), w is weight with (3, 3, 64, 128)，之后

deconv = tf.nn.conv2d_transpose(batch_img, w, output_shape=[64, 64, 64, 64],stride=[1,2,2,1], padding='SAME')

所以，我得到deconv了size (64, 64, 64, 64)，如果我通过了就可以了true size of output_shape。

但是，我想使用 unfixed input size (64, None, None, 128)，并deconv使用(64, None, None, 64).

但是，它会引发如下错误。

TypeError: Failed to convert object of type <type'list'> to Tensor...

那么，我该怎么做才能避免 deconv 中的这个参数呢？还是有另一种方法来实现不固定的 GAN？

4

3 回答 3

2
  • 输出形状列表不接受在列表中包含None，因为 None 对象无法转换为张量对象
  • None只允许在形状tf.placeholder
  • 对于不同大小的 output_shape 而不是None尝试-1例如你想要大小(64, None, None, 128)所以尝试[64, -1, -1, 128]......我不确定这是否会工作......它对我有用 batch_size 这是我的第一个参数不是固定大小所以我使用-1
  • 怎么还有一个用于转置卷积的高级 apitf.layers.conv2d_transpose()
  • 我相信高级 apitf.layers.conv2d_transpose()会为你工作，因为它需要不同输入的张量
  • 您甚至不需要指定output-shape您只需要指定要使用的output_channel和kernel
  • 有关更多详细信息：https ://www.tensorflow.org/api_docs/python/tf/layers/conv2d_transpose ...我希望这会有所帮助
于 2018-01-15T16:01:49.257 回答
0

我也遇到了这个问题。正如此处其他答案中所建议的那样，使用 -1 不起作用。相反，您必须抓住传入张量的形状并构造output_size参数。这是我写的一个测试的摘录。在这种情况下，它是未知的第一个维度，但它应该适用于已知和未知参数的任何组合。

output_shape = [8, 8, 4] # width, height, channels-out. Handle batch size later
xin = tf.placeholder(dtype=tf.float32, shape = (None, 4, 4, 2), name='input')
filt = tf.placeholder(dtype=tf.float32, shape = filter_shape, name='filter')

## Find the batch size of the input tensor and add it to the front
## of output_shape
dimxin = tf.shape(xin)
ncase = dimxin[0:1]
oshp = tf.concat([ncase,output_shape], axis=0)

z1 = tf.nn.conv2d_transpose(xin, filt, oshp, strides=[1,2,2,1], name='xpose_conv')
于 2018-08-11T14:13:49.640 回答
0

我找到了一个解决方案，将 tf.shape 用于未指定的形状，将 get_shape() 用于指定的形状。

def get_deconv_lens(H, k, d):
    return tf.multiply(H, d) + k - 1

def deconv2d(x, output_shape, k_h=2, k_w=2, d_h=2, d_w=2, stddev=0.02, name='deconv2d'):
    # output_shape: the output_shape of deconv op
    shape = tf.shape(x)
    H, W = shape[1], shape[2]
    N, _, _, C = x.get_shape().as_list()
    H1 = get_deconv_lens(H, k_h, d_h)
    W1 = get_deconv_lens(W, k_w, d_w)

    with tf.variable_scope(name):
        w = tf.get_variable('weights', [k_h, k_w, C, x.get_shape()[-1]], initializer=tf.random_normal_initializer(stddev=stddev))
        biases = tf.get_variable('biases', shape=[C], initializer=tf.zeros_initializer())

    deconv = tf.nn.conv2d_transpose(x, w, output_shape=[N, H1, W1, C], strides=[1, d_h, d_w, 1], padding='VALID')
    deconv = tf.nn.bias_add(deconv, biases)

    return deconv
于 2018-12-13T04:05:53.363 回答