tf.keras Conv2D位置参数传参后输出形状与预期不符的问题问询

你看到的输出形状差异，完全是因为位置参数传位错误——Conv2D构造函数的第三个位置参数不是卷积核的宽维度，而是卷积的步长（strides）。

tf.keras.layers.Conv2D的构造函数按从左到右的位置顺序，前4个核心参数依次是：

• 第1个位置位：filters，卷积核的数量，为必填参数
• 第2个位置位：kernel_size，卷积核的尺寸，为必填参数。这个参数支持两种写法：传单个整数代表正方形卷积核，传二元元组/列表代表自定义高宽尺寸，无论哪种写法，都只占1个位置位
• 第3个位置位：strides，卷积核滑动的步长，默认值为1。这个参数的传值规则和kernel_size完全一致，支持单整数、二元元组两种写法
• 第4个及之后的位置位：才是padding、数据格式等可选配置类参数，全部带默认值

你写的Conv2D(10,3,3, input_shape=input_shape[1:])实际参数映射关系为：

• 传入filters=10，所以打印a2.filters输出10，和你预期一致
• 传入kernel_size=3，框架自动转成(3,3)的正方形卷积核，所以打印a2.kernel_size输出(3,3)，也和你预期一致
• 传入strides=3，也就是卷积核在高、宽两个方向的滑动步长都是3——这是你之前完全没意识到的参数
  按照无padding的卷积输出尺寸计算公式：

输出尺寸 = 向下取整( (输入尺寸 - 卷积核尺寸)/步长 ) + 1
代入你的30×60输入、3×3卷积核、步长3的参数：

• 高度方向输出：(30 - 3) // 3 + 1 = 10
• 宽度方向输出：(60 - 3) // 3 + 1 = 20
  最终输出形状就是你看到的TensorShape([4, 10, 20, 10])，和实际输出完全匹配。
  另外你观察到两个模型参数量完全一致（都是280），是因为卷积层的参数量只和卷积核尺寸、输入通道数、滤波器数量有关，和步长无关，计算式为：3×3×3输入通道×10滤波器 +10偏置 =280，所以哪怕步长传错，参数量计算结果也不会变，这也是你一开始没发现参数错位的原因。

如果要实现你预期的“步长为1，无padding，3×3卷积核”的效果，正确的位置参数写法是Conv2D(10, 3, input_shape=...)，也就是只传两个位置参数，让strides使用默认值1。
这种参数顺序的设计逻辑非常直白：

• 把两个必填、最常用的参数（滤波器数、卷积核尺寸）放在最前面，减少最常见调用场景的代码量
• 把次常用的步长参数放在第三个位置，需要调整步长时直接顺次传入即可，不需要额外写参数名
• 所有低频修改的参数全部设置默认值，强制要求用关键字参数传入，本质是为了减少位置传错的概率

内容的提问来源于stack exchange，提问作者watchtower