TensorFlow中使用2D卷积处理4D输入实现单通道独立计算是否可行？

结论 #

你给出的代码不能实现需求，且会直接触发维度不匹配报错。

原因说明 #

• Keras的Conv2D层默认接收4维输入，格式为(批次大小, 高度, 宽度, 通道数)，你传入的input_shape = (128, 128, 103, 1)是5维格式，不符合Conv2D的输入要求，运行时会直接报错。
• 就算你调整为标准4维输入，默认的Conv2D计算逻辑也会融合所有输入通道的信息：卷积核会在全部103个通道上做乘加运算，完全做不到你要的通道独立处理效果。

正确实现方案 #

你完全不需要拆分图像为103组批次，直接使用Conv2D的groups参数就能实现通道维度的独立卷积，把groups设置为和输入通道数、输出通道数一致即可：

import tensorflow.keras
from tensorflow.keras.layers import Conv2D
model1 = tensorflow.keras.models.Sequential()
# groups=103 代表将103个输入通道分成103组，每组独立完成卷积计算
model1.add(Conv2D(
    filters=103, 
    kernel_size=(3,3), 
    groups=103,
    input_shape = (128, 128, 103), 
    padding='same'
))

该方案的输出尺寸为(批次大小, 128, 128, 103)，输出的第i个通道完全对应输入第i个通道的单独卷积结果，和你逐个输入(128,128,1)图像进网络的效果完全一致。
如果你需要最终输出仅1个通道，只需要在上述层后再加一层Conv2D(filters=1, kernel_size=(1,1), padding='same')做逐点融合即可。

内容的提问来源于stack exchange，提问作者Nour