为什么Conv2D层的input_shape参数仅需要在第一层指定？

这一设计是Keras框架内置的层间形状自动推断特性决定的，具体原因如下：

• 对于tf.keras.Sequential顺序模型来说，只需要明确第一层的输入形状，框架就会自动顺着层的堆叠顺序，逐层计算每一层的输出张量形状，直接作为下一层的输入形状，不需要手动重复声明。
• 你示例中第一层指定input_shape=(300,300,3)后，Keras会结合Conv2D的卷积核尺寸、步长、激活函数等参数，算出该层输出形状为(298, 298, 16)，这个值会直接作为下一层MaxPooling2D的输入，后续每一层的输入形状都可以通过上一层的配置自动计算得到，手动指定反而会增加冗余和出错概率。

还有两个相关的补充说明：

• 如果你不在第一层写input_shape参数，也可以选择在模型初始化后调用model.build(input_shape=(None, 300, 300, 3))手动指定全局输入形状，或者直接传入训练数据触发自动形状推断，效果完全一致。
• 只有非顺序模型（比如函数式API构建的多输入输出模型）才需要手动对多个输入分支分别指定输入形状，顺序模型只有第一个层需要声明输入形状即可。

内容的提问来源于stack exchange，提问作者Robo