tf.keras.layers.Conv2D的inputShape参数位置及代码修正咨询

核心原因 #

你混淆了TensorFlow.js（TFJS）和TensorFlow Python API的参数命名规范：

• TFJS使用小驼峰命名（如inputShape、kernelInitializer）
• TensorFlow Python API严格遵循蛇形命名（如input_shape、kernel_initializer）
  这是导致keyword argument is not understood: inputShape报错的直接原因。

两种正确写法 #

写法1：在Conv2D层直接指定输入形状 #

修正参数命名后，可在第一层Conv2D中直接传入input_shape参数，代码如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

from tensorflow import keras
from tensorflow.keras import layers

model = tf.keras.models.Sequential()
image_width = 28
image_height = 28
image_channels = 1

model.add(layers.Conv2D(
    8,
    5,
    input_shape=[image_width, image_height, image_channels],
    strides=1,
    activation='relu',
    kernel_initializer='variance_scaling'
))

注意：Python不需要语句末尾加分号，可直接省略。

写法2：使用Input层定义输入（更推荐） #

对于Sequential模型，更清晰的方式是先用Input层明确输入形状，再堆叠后续层：

model = tf.keras.models.Sequential([
    layers.Input(shape=(image_width, image_height, image_channels)),
    layers.Conv2D(8, 5, strides=1, activation='relu', kernel_initializer='variance_scaling')
])

这种写法在模型结构复杂时可读性更强，也符合TensorFlow最新的最佳实践。

额外注意事项 #

• strides参数：Python中既可以传整数（如1，表示宽高方向步长均为1），也可以传入元组(1,1)，效果一致。
• kernel_initializer：TFJS的varianceScaling对应Python中的variance_scaling，需保持蛇形命名。

内容的提问来源于stack exchange，提问作者Gleichmut