如何动态设置反卷积tf.nn.conv2d_transpose()的output_shape的batch_size

在复现网络的时候遇到一个问题，在使用tf.nn.conv2d_transpose()实现转置卷积的时候，该函数里面有个参数是output_shape，需要确定输出tensor的shape，由于在建立网络的时候最开始使用的是占位符（placeholder）

images = tf.placeholder(tf.float32, [None, self.cfgs["training"]['image_height'], self.cfgs["training"]['image_width'], self.cfgs["training"]['n_channels']])

这里对于batch_size并没有确定，而是用了None代替。
而在确定转置卷积的output_shape的时候就会导致batch_size也是不定的

所以，如何动态设置反卷积tf.nn.conv2d_transpose()的output_shape的batch_size

我看到的有两种解决办法：

1、设置一个全局变量，global_batch_size，在这个全局的变量里面获取batch_size。但是这个方法感觉还是没有很“动态”

2、另一个是获得输入tensor的shape的tensor：

in_shape_tensor=tf.shape(input)

tf.shape()返回的是目标tensor的shape的tensor，在建立网络的时候他是没有定义的，只有在运行的时候才能知道是多少，也就是这个shape是动态的

def de_conv(self,input,out_channal=1,up_scale=1,padding='SAME',name="upsample_bilinear"):
    in_shape_tensor=tf.shape(input)
    in_shape=input.shape.as_list()
    strides=[1,up_scale,up_scale,1]
    w_shape=[up_scale*2,up_scale*2,in_shape[-1],1]
    out_shape=tf.stack([in_shape_tensor[0],in_shape_tensor[1],in_shape_tensor[2],w_shape[2]])* tf.constant(strides, tf.int32)

    weight=self.weight_variable(w_shape)
    tf.summary.histogram('weights_{}'.format(name), weight)
    tran_conv=tf.nn.conv2d_transpose(input,weight,out_shape,strides)
    return tran_conv

附：我在复现的时候遇到另一个问题，用上面方法二创建的反卷积层是动态的，会导致如果在反卷积层后面获得的tensor的shape会是[?,?,?,?]，如果这时候再根据这个输出tensor的shape来在下一个卷积层里算一些确定的值，会出错，因为这里的shape在建立的时候是不确定的，所以如果使用方法二有这个缺点

如果朋友们有其他好的方法，欢迎交流

参考：https://stackoverflow.com/questions/46885191/tf-nn-conv2d-transpose-output-shape-dynamic-batch-size