Keras模型输出形状推断：处理可变与特定输入尺寸的专业指南

import numpy as np
import keras_core as keras

# 定义一个可变输入尺寸的简单CNN模型
ip = keras.layers.Input((None, None, 3))
op = keras.layers.Conv2D(3, (2, 2))(ip)
model = keras.models.Model(inputs=[ip], outputs=[op])

# 使用样本数据运行模型以获取输出形状
x = np.random.random((1, 64, 64, 3))
y = model(x)
print(f"样本输入形状: {x.shape}")
print(f"样本输出形状: {y.shape}")

import keras_core as keras

ip = keras.layers.Input((100, 100, 3))
op = keras.layers.Conv2D(3, (5, 5))(ip)

print(op)
# 输出示例: <KerasTensor shape=(None, 96, 96, 3), dtype=float32, sparse=False, name=keras_tensor_39>

import keras_core as keras

# 1. 定义一个初始输入尺寸为可变（None）的Keras模型
# 注意：输入层的宽度和高度为None，表示可变
ip_flexible = keras.layers.Input((None, None, 3))
op_layer = keras.layers.Conv2D(3, (5, 5))(ip_flexible)
model_flexible = keras.models.Model(inputs=[ip_flexible], outputs=[op_layer])

print("--- 策略一：利用初始可变输入模型进行特定形状推断 ---")

# 2. 使用一个特定输入尺寸的Keras Input对象进行形状推断
# 这里我们想知道输入尺寸为 (100, 100, 3) 时，模型的输出形状
specific_input_tensor = keras.layers.Input((100, 100, 3))
output_tensor_inferred = model_flexible(specific_input_tensor) # 直接调用模型实例

print(f"输入层形状 (推断时使用): {specific_input_tensor.shape}")
print(f"推断出的输出KerasTensor: {output_tensor_inferred}")
print(f"推断出的输出形状: {output_tensor_inferred.shape}")

# 另一个输入尺寸的例子
specific_input_tensor_small = keras.layers.Input((10, 10, 3))
output_tensor_inferred_small = model_flexible(specific_input_tensor_small)
print(f"输入层形状 (推断时使用): {specific_input_tensor_small.shape}")
print(f"推断出的输出形状 (小尺寸): {output_tensor_inferred_small.shape}")

--- 策略一：利用初始可变输入模型进行特定形状推断 ---
输入层形状 (推断时使用): (None, 100, 100, 3)
推断出的输出KerasTensor: <KerasTensor shape=(None, 96, 96, 3), dtype=float32, sparse=False, name=keras_tensor_3>
推断出的输出形状: (None, 96, 96, 3)
输入层形状 (推断时使用): (None, 10, 10, 3)
推断出的输出形状 (小尺寸): (None, 6, 6, 3)

import keras_core as keras

def create_conv_model(input_tensor):
    """
    创建一个简单的卷积模型，其输入层由传入的 input_tensor 决定。
    """
    output_tensor = keras.layers.Conv2D(3, (5, 5))(input_tensor)
    return keras.models.Model(inputs=[input_tensor], outputs=[output_tensor])

print("\n--- 策略二：通过模型工厂函数创建特定输入尺寸的模型 ---")

# 1. 为小尺寸输入创建模型实例
input_10x10 = keras.layers.Input((10, 10, 3))
model_small = create_conv_model(input_10x10)
print(f"为输入 (10, 10, 3) 创建的模型实例: {model_small.name}")
# model.output 返回一个列表，即使只有一个输出层
print(f"小尺寸模型输出KerasTensor: {model_small.output[0]}")
print(f"小尺寸模型输出形状: {model_small.output[0].shape}")

# 2. 为大尺寸输入创建另一个模型实例
input_100x100 = keras.layers.Input((100, 100, 3))
model_large = create_conv_model(input_100x100)
print(f"\n为输入 (100, 100, 3) 创建的模型实例: {model_large.name}")
print(f"大尺寸模型输出KerasTensor: {model_large.output[0]}")
print(f"大尺寸模型输出形状: {model_large.output[0].shape}")

--- 策略二：通过模型工厂函数创建特定输入尺寸的模型 ---
为输入 (10, 10, 3) 创建的模型实例: functional_1
小尺寸模型输出KerasTensor: <KerasTensor shape=(None, 6, 6, 3), dtype=float32, sparse=False, name=keras_tensor_6>
小尺寸模型输出形状: (None, 6, 6, 3)

为输入 (100, 100, 3) 创建的模型实例: functional_3
大尺寸模型输出KerasTensor: <KerasTensor shape=(None, 96, 96, 3), dtype=float32, sparse=False, name=keras_tensor_8>
大尺寸模型输出形状: (None, 96, 96, 3)