我想在单个图像示例中使用函数tf.nn.conv2d()，但 TensorFlow 文档似乎只提到将此转换应用于一批图像。
文档提到输入图像必须是形状[batch, in_height, in_width, in_channels]，内核必须是形状[filter_height, filter_width, in_channels, out_channels]。但是，使用输入形状[in_height, in_width, in_channels]实现 2D 卷积的最直接方法是什么？
以下是当前方法的示例，其中img具有形状(高度、宽度、通道(：
img = tf.random_uniform((10,10,3)) # a single image
img = tf.nn.conv2d([img], kernel)[0] # creating a batch of 1, then indexing the single example
我正在重塑输入，如下所示：
[in_height, in_width, in_channels]->[1, in_height, in_width, in_channels]->[in_height, in_width, in_channels]
当我只对转换一个示例感兴趣时，这感觉像是一个不必要且昂贵的操作。
有没有一种不涉及重塑的简单/标准方法？
AFAIK 没有办法绕过它。似乎(在这里和这里(第一个操作创建了一个副本(如果我错了，有人纠正我(。不过，您可以使用tf.expand_dims，由于它的冗长性，IMO 更具可读性。
另一方面，在这种情况下，从张量中获取0元素不应该执行复制，并且几乎是免费的。
最重要的是，除了语法上的一些不便(例如 [0](这些操作绝对不是昂贵的，特别是在执行卷积的上下文中。
顺便说一句。其他现成的替代层，如tf.keras中的层，也需要批处理作为第一维。