【Tensorflow、Keras】关于Reshape层小结（部分问题未解决)

every blog every motto: We would rather reuse an active dwarf than a sleeping giant.
https://blog.csdn.net/weixin_39190382?type=blog

0. 前言

reshape说起来不复杂，就是改变特征图的尺寸，但在实际过程中，却发现了有意思的问题，遂记之。暂未解决。
本节主要讲解有关tensorflow的Rehape层以及Keras中的Reshape层及其比较，最后附上有关tf.reshape方法。

1. 在模型中

1.1 Keras的Reshape

1.1.1 Keras正常情况

1. 代码部分

from keras.layers import *

input = Input((16, 16, 3))
print('改变之前的shape：', input.shape)
a = Reshape((16 * 4, -1))(input)
print('改变之后的shape:', a.shape)

2. 结果：
   
3. 个人看法：

• 不管是改变之前的还是改变之后的shape，第一维的None都是批(batch)的大小
• 改变之后的shape的第三维，应该是由计算所得，即：16 * 16 * 3）/ (16 * 4) = 12 (关于这里面为什么没有显示具体的数字，12，没有找到一个合理的解释）

1.1.2 Keras不正常情况

1. 代码部分
   reshape总元素个数不等于传入的元素个数
   代码中多乘了200，

from keras.layers import *

input = Input((16, 16, 3))
print('改变之前的shape：', input.shape)
a = Reshape((16 * 4*200, -1))(input) # 这里多乘了200
print('改变之后的shape:', a.shape)

2. 结果：

ValueError: total size of new array must be unchanged

3. 个人看法：

• 这里reshape 的元素个数超过了总元素个数，按照预期是报错显示，没有问题。

1.2 Tensorflow的Reshape

1.2.1 Tensorflow正常情况

1. 代码部分

from tensorflow.keras.layers import *

input = Input((16, 16, 3))
print('改变之前的shape：', input.shape)
a = Reshape((16 * 4, -1))(input)
print('改变之后的shape:', a.shape)

2. 结果
   
3. 个人看法：
   这里和Keras的情况相同，不赘述。

1.2.2 Tensorflow不正常情况

1. 代码部分
   reshape总元素个数不等于传入的元素个数
   代码中多乘了200，

import tensorflow as tf
from tensorflow.keras.layers import *
print('tensorflow版本为：' + tf.__version__)

input = Input((16, 16, 3))
print('改变之前的shape：', input.shape)
a = Reshape((16 * 4*200, -1))(input)  # 这里多乘了200
print('改变之后的shape:', a.shape)

2. 结果
   
3. 个人看法：

• 这里并没有检测reshape以后的总元素个数是否和输入的元素个数相同，此处应该是一个bug。
• tensorflow版本为2.0.0

2. 在具体数据中

2.1 keras 的Reshape层

1. 代码

from keras.layers import *
import numpy as np
array = np.arange(2 * 3 * 4).reshape((2, 3, 4))
a_tensor = tf.convert_to_tensor(array)

print('改变之前的shape:', a_tensor.shape)
x = Reshape((1, -1, 2))(a_tensor)
print('改变之后的shape:', x.shape)

2. 结果
   
3. 个人看法：

• 这里值得注意的是，Reshape，将a_tensor第一维认为是批的大小，批的大小是不计入计算的，剩下的元素个数进行改变shape的计算。
• Reshape层返回的是一个batch_size + target_shape，具体参考文后链接

2.2 tensorflow 的Reshape层

1. 代码

import tensorflow as tf
from tensorflow.keras.layers import *
import numpy as np
array = np.arange(2 * 3 * 4).reshape((2, 3, 4))
a_tensor = tf.convert_to_tensor(array)

print('改变之前的shape:', a_tensor.shape)
x = Reshape((1, -1, 2))(a_tensor)
print('改变之后的shape:', x.shape)

2. 结果

4. 个人看法
这里Reshape和tensorflow里面的Reshape是一样的。

2.3 tf.reshape（附）

1. 代码

import tensorflow as tf
import numpy as np
array = np.arange(2 * 3 * 4).reshape((2, 3, 4))
a_tensor = tf.convert_to_tensor(array)

print('改变之前的shape:', a_tensor.shape)
x = tf.reshape(a_tensor, (3, -1, 2))
print('改变之后的shape:', x.shape)

2. 结果
   
3. 个人看法
   这里用的是tf.reshape，可以看到，其中的-1，是总元素个数除于已确定的元素个数。

3. 总结

1. 关于Reshape层中，

• 当在模型中时，Reshape，第一维度为批的大小，其显示为None
• 当在具体数字计算中，第一维度为批的大小，其显示为传入数据shape的第一个维度，即批的大小。

2. 关于tf.reshape

• tf.reshape这里即正常的思维，改变形状，它不像Reshape层，会有批（batch)的概念。

参考文献

[1] https://tensorflow.google.cn/api_docs/python/tf/keras/layers/Reshape?hl=en
[2] https://keras-cn.readthedocs.io/en/latest/layers/core_layer/#reshape