1. 根据输出的数据，对各个阶维度的反推+2.tf中生成根据指定的shape，tensor的各个阶的维度判断

方法：从最内部的不能分解元素观看，确定包括在最里面[]的个数，作为最后的一级的阶的维度,再以该[]为级别，数出同级的包括在另外一个[]之内的作为倒数第二阶的维度，依此类推，直到最后一级最为外层的[]结束。

input=tf.random_normal([2, 3, 3, 5])
sess=tf.Session()

mat=sess.run(input)

print("mat:",mat) #生成四维张量

print("mat[0]:\n",mat[0])

print("mat[0]:\n",mat[0].shape)

print("mat[0][0]:\n",mat[0][0])

print("mat[0][0]:\n",mat[0][0].shape)

print("mat[0][0][0]:\n",mat[0][0][0])

print("mat[0][0][0]:\n",mat[0][0][0].shape)print("mat[0][0][0][0]:\n",mat[0][0][0][0])

print("mat[0][0][0][0]:\n",mat[0][0][0][0].shape)

mat:

（1、对这个的判断，根据上面的红字方法，可得到是（1）5 （2）3 （3）3 （4）2，所以单从下面的输出数字是2*3*3*5

2、另外，有个小技巧，组外层数字单侧括号有几个，就有几阶）

[[[[-0.04946075-0.39051834 0.70029926 1.04427314 -0.50161618]

[-0.88772166 -0.97375607 -1.39743626 -1.57410967 0.67717731]

[-0.04220374 -0.87041211 1.65323901 -0.63210064 -0.27930436]]

[[0.10120229 -1.56110585 0.6358844 0.08369907 -0.15296145]

[0.81890374 -0.78691864 0.86625981 0.41091785 -1.65091491]

[-0.95093411 0.2192647 -2.41538286 0.09332389 -1.46946585]]

[[0.57579613 -0.78014088 0.71421504-0.36345431 -1.2525084 ]

[-0.9982028 -0.00498665 1.10062003 -0.06576402 -0.02542781]

[-0.08660951 1.36196768 0.30107525 -0.70669395 -2.24661875]]]

[[[0.22196233 -0.59935236 -0.7741518 -0.80990314 1.52992308]

[0.82497019 -0.0133222 0.73583311-0.01884574 0.31110784]

[-0.37637401 0.02399199 0.47549728 -2.33406854 -0.40116423]]

[[-0.61214691 0.51968157 1.68025804 0.25352362 -0.07630835]

[0.4017354 -0.20935933 -0.23358166 0.07867375 -0.41216117]

[0.56827682 -0.62509251 -1.06442463 0.1260772 -0.67022914]]

[[0.67380315 0.85098803 0.34026232 0.01849968 0.44034094]

[1.05391908 0.36208919 1.11698639 0.99236804 -0.47904065]

[1.16656947 0.12744726 -0.84040087-0.20418333 0.45792165]]]]

mat[0]:

[[[-0.04946075 -0.39051834 0.70029926 1.04427314 -0.50161618]----z轴1

x轴1 [-0.88772166 -0.97375607 -1.39743626 -1.57410967 0.67717731]----z轴2

[-0.04220374 -0.87041211 1.65323901 -0.63210064 -0.27930436]]----z轴3

[[0.10120229 -1.56110585 0.6358844 0.08369907 -0.15296145]----z轴1

x轴2 [0.81890374 -0.78691864 0.86625981 0.41091785 -1.65091491]----z轴2

[-0.95093411 0.2192647 -2.41538286 0.09332389 -1.46946585]]----z轴3

[[0.57579613 -0.78014088 0.71421504-0.36345431 -1.2525084 ]----z轴1

x轴3 [-0.9982028 -0.00498665 1.10062003 -0.06576402 -0.02542781]----z轴2

[-0.08660951 1.36196768 0.30107525 -0.70669395 -2.24661875]]]----z轴3

mat[0] shape:

(3,3, 5)

可考虑图形

mat[0][0]:

[[-0.04946075 -0.39051834 0.70029926 1.04427314 -0.50161618]

[-0.88772166 -0.97375607 -1.39743626-1.57410967 0.67717731]

[-0.04220374 -0.87041211 1.65323901 -0.63210064 -0.27930436]]

mat[0][0] shape:

(3,5)

mat[0][0][0]:

[-0.04946075 -0.39051834 0.70029926 1.04427314 -0.50161618]

mat[0][0][0] shape:

(5,)

mat[0][0][0][0]:

-0.0494608

mat[0][0][0][0] shape:

()

或者反过来看：

如果看到shape是 (3,3, 5)，则意味着矩阵最后的形状为（这时：从右往左看）最内部元素为5个，紧接着像这样由5个元素为单位组成的中部元素有3个（左侧第一个3代表），再以这3个元素为一个组成单元，由3个这样的单元组成最外层的集合

例1

如上面的mat[0]所示：