一、tf.shape()

tf.shape(input,name=None,out_type=tf.int32)

参数

（1）input：输入张量或稀疏张量；

（2）name：命名；

（3）out_type：默认tf.int32类型；

输出

返回out_type类型张量。

例子：将矩阵的维度输出成一个维度的矩阵

import tensorflow as tf
import numpy as npA = np.array([[[1, 1, 1],[2, 2, 2]],[[3, 3, 3],[4, 4, 4]],[[5, 5, 5],[6, 6, 6]]])
t = tf.shape(A)
with tf.Session() as sess:print(sess.run(t))

import tensorflow as tf
import numpy as npA = np.array([[[1, 1],[2, 2]],[[3, 3],[4, 4]]])
t = tf.shape(A)
with tf.Session() as sess:print(sess.run(t))

二、tf.reshape()

tf.reshape(tensor,shape,name=None)

参数

（1）tensor：输入张量；

（2）shape：列表形式，可以存在-1；

-1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1；

（3）name：命名；

输出

将tensor变换为参数shape的形式。

例子

import numpy as np
a= np.array([0,1,2,3,4,5,6,7])
print('a=',a)b = a.reshape((2,4))
print('b=',b)c = a.reshape((2,2,2))
print('c=',c)

tf.shape()和tf.reshape()相关推荐

tf.shape和tf.less
tf.shape返回张量的形状 tf.less返回两个张量各元素比较(x<y)得到的真假值组成的张量 import tensorflow as tf A=[[1,2,3]] t = tf.sha ...
tensorflow 基础: static shape VS Dynamic shape, get_shape VS tf.shape() , reshape VS set_shape
######################################################################################### 1) 概念:stat ...
tf.shape()
tf.shape tf.shape( input, name=None, out_type=tf.int32 ) 1 2 3 4 5 例如: 将矩阵的维度输出为一个维度矩阵 import tensor ...
使用估算器、tf.keras 和 tf.data 进行多 GPU 训练
文 / Zalando Research 研究科学家 Kashif Rasul 来源 | TensorFlow 公众号与大多数 AI 研究部门一样,Zalando Research 也意识到了对创意 ...
tf.nn.conv2d() / tf.nn.depthwise_conv2d() 和 Batchsize效益
1. 卷积函数tf.nn.conv2d() tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_form ...
tf.read_file和tf.image.decode_jpeg处理图片(转)
最近在做图像处理,发现了一个很有意思的事情,特此记录: 已知"F:\Basketball\0001.jpg"是彩色图像,"F:\Car1\0001.jpg"是灰 ...
tf.name_scope() 和 tf.variable_scope() 的用法和玄机
2019独角兽企业重金招聘Python工程师标准>>> 一. name_scope 和 variable_scope的用途用途1: 共享变量 TensorFlow (TF) 中,n ...
tf.variable和tf.get_Variable以及tf.name_scope和tf.variable_scope的区别
在训练深度网络时,为了减少需要训练参数的个数(比如具有simase结构的LSTM模型).或是多机多卡并行化训练大数据大模型(比如数据并行化)等情况时,往往需要共享变量.另外一方面是当一个深度学习模型变 ...
tf.truncated_normal和tf.random_normal使用方法的区别
1.tf.truncated_normal使用方法 tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=No ...

tf.shape()和tf.reshape()

一、tf.shape()

参数

输出

例子：将矩阵的维度输出成一个维度的矩阵

二、tf.reshape()

参数

输出

例子

tf.shape()和tf.reshape()相关推荐

最新文章

热门文章