TensorFlow卷积层输出形状调整：如何得到[-1,24,24,20]张量

当然有办法直接得到预期的[-1,24,24,20]输出形状，完全不用事后reshape（毕竟reshape会粗暴打乱张量的空间结构，很可能破坏特征的空间关联性，绝非最优解）。结合你提到的仅支持"valid"或"same" padding的限制，给你两种靠谱的方案：

方案一：切换为padding="same"（步长为1时最直接） #

卷积层的"same" padding会自动在输入张量边缘补零，确保输出的空间尺寸满足公式：

输出尺寸 = ceil(输入尺寸 / 步长)

如果你的卷积步长是1，"same" padding会让输出的高/宽和输入完全一致：

• 若你的输入张量原本就是[-1,24,24,输入通道数]，把卷积层的padding参数从"valid"改成"same"，步长保持1，就能直接得到[-1,24,24,20]的输出。
• 若步长大于1，只要确保ceil(输入尺寸 / 步长) = 24，"same" padding也能帮你精准得到目标尺寸。

方案二：手动补padding后用"valid"卷积 #

如果必须保留"valid" padding（比如有特定的特征提取逻辑要求），可以在卷积层前用tf.pad()手动给输入张量补零，调整输入尺寸后再执行卷积。

举个实际场景：假设你当前的卷积参数是核大小5x5、步长1，输入尺寸是27x27，用"valid" padding得到的输出是(27-5)/1 +1 =23x23。要得到24x24的输出，先反推需要的输入尺寸：输入尺寸 = 目标输出尺寸 + 核大小 - 步长，也就是24 +5 -1=28。这时候只需给输入补1个像素的padding即可：

# 假设输入张量inputs的形状为[-1,27,27,input_channels]
# 给输入的高度和宽度各补1个像素（单边补，避免输出尺寸超预期）
padded_inputs = tf.pad(inputs, [[0,0], [1,0], [1,0], [0,0]])
# 执行valid padding的卷积
conv_output = tf.keras.layers.Conv2D(filters=20, kernel_size=5, strides=1, padding="valid")(padded_inputs)

这样卷积后的输出就是28-5+1=24x24，完美符合你的预期。核心逻辑是根据卷积输出尺寸公式反推所需输入尺寸，再通过手动补零调整输入，最终用"valid" padding得到目标形状。

内容的提问来源于stack exchange，提问作者Gabriel_Koch