我不明白如何在 Keras/Tensorflowoutput_shape的层中指定参数。文档说Lambda：
output_shape：函数的预期输出形状。如果未明确提供，则可以推断此参数。可以是元组或函数。如果是元组，它只指定第一个维度；假设样本维度与输入相同：
output_shape = (input_shape[0], ) + output_shape或者，输入是None并且样本维度也是None：output_shape = (None, ) + output_shape
如果我们使用元组，我应该如何解释这两个表达式？
output_shape = (input_shape[0], ) + output_shape
和
output_shape = (None, ) + output_shape
假设您将 output_shape 作为一个元组传入(50, 50, 10)，我们可以在其中将值（高度、宽度、通道）` 传递给 lambda 层：
your_layer = tf.keras.layers.Lambda(lambda x: x, output_shape=(50, 50, 3))
文档部分：
如果是元组，它只指定第一个维度；
意味着batch维度本身是简单的结转，不变。
如果你batch_size=3在训练期间有，例如，传入的张量your_layer可能是(3, n, p, q)，在哪里n p并且q可能是任何东西，但是该层预计会产生一个形状(3, 50, 50, 10)。因此0维度保持不变，我们将其与您的output_shape:
(3,) + (50, 50, 10) -> (3, 50, 50, 10)
这对应于表达式：output_shape = (input_shape[0], ) + output_shape，因此我们看到这是训练期间传入批张量input_shape的真实形状，因为我们只使用批维度来生成层的传出批张量。
对于第二个表达式，它实际上是一样的，但如果您没有提供批处理形状，Tensorflow 和 Keras 将其表示为可以是任何东西，并将其存储为None. 所以在这种情况下，你会得到：
(None,) + (50, 50, 10) -> (None, 50, 50, 10)