tensorflow 基础: static shape VS Dynamic shape, get_shape VS tf.shape() , reshape VS set_shape

2024-06-01 10:17:34

#########################################################################################

1) 概念：static shape 与 dynamic shape

在tensorflow中构建的图中的每个节点的tensor有两个shape: static shape 和 dynamic shape.

static shape: 不用运行图也能获得的shape。是tensor的固有属性，可能是未知的。可以通过人为设定，补全static shape的信息。不论图的输入是什么，static shape 不为所动。

dynamic shape:当图运行起来以后，随着tensor在图中的流动，可以根据图的结构推断图上每一个节点上的tensor的具体shape，这个shape 称为动态shape。一定是可知的。随着图的输入的shape的不同，图中的tensor的dynamic shape会发生变化。

如果图中的某个节点上的tensor的static shape 是已知，那么当图运行起来后，该tensor得到的dynamic shape 一定要与static shape 一致，否则会报错。

#############################################################################################

2) 如何获得tensor的shape：x1.get_shape()与tf.shape(x1)

令x1是图上的一个节点上的张量，那么：

shape1 = x1.get_shape() : 得到的shape1是一个tuple。不能由tensorflow直接利用。通常用于提取 static shape.

shape2 = tf.shape(x1) : 得到的shape2是一个tf.tensor，需要通过sess.run(shape2)来获取具体数值。通常用于提取dynamic shape.

#################################################################################################

3) 如何设置tensor的shape：x1.set_shape()与tf.reshape(x1)

令x1是图上的一个节点上的张量，那么：

x1.set_shape(shape1) : 当x1的shape未知时，用set_shape设置x1的shape，通常针对静态shape，因为只有静态shape才有可能是未知。当x1的static shape已知时，如果shape1与x1的static shape不一致，会报错。==》 set_shape只用于补全tensor的静态shape信息，方便后续使用该shape信息，本身并不能改变shape. ==》PS:如果后续获得的动态shape与set_shape设置的静态shape不一致会报错。

x2 = tf.reshape(x1,shape2)： x2是生成的一个新的张量，由x1中的元素组成，shape=shape2.能成功运行的条件是x1中元素的个数与shape2容纳的元素个数相等。如果后续用x2代替x1使用，相当于既对x1执行了set_shape操作，又改变了x1的shape.

##################################################################################################

总结：

a) 通常"tf."的操作都会返回一个张量。（个人总结的规律，未做广泛验证）

b)set_shape通常与tf.placeholder结合使用，因为tf.placeholder并不限制输入的tensor的shape，可以通过set_shape限制输入的tensor的shape,可以方便后面使用输入的tensor的shape的同时，还可以检查执行feed_dict时，传入的数据shape是否符合要求。

参考：https://blog.csdn.net/qq_21949357/article/details/77987928

tensorflow 基础: static shape VS Dynamic shape, get_shape VS tf.shape() , reshape VS set_shape相关推荐

深度学习（8）TensorFlow基础操作四: 维度变换
深度学习(8)TensorFlow基础操作四: 维度变换 1. View 2. 示例 3. Reshape操作可能会导致潜在的bug 4. tf.transpose 5. Squeeze VS Exp ...
Tensorflow基础入门十大操作总结
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:李祖贤,Datawhale高校群成员,深圳大学 TensorFlo ...
TF学习：Tensorflow基础案例、经典案例集合——基于python编程代码的实现
TF学习:Tensorflow基础案例.经典案例集合--基于python编程代码的实现目录 Tensorflow的使用入门 1.TF:使用Tensorflow输出一句话 2.TF实现加法 3.TF实 ...
机器学习Tensorflow基础知识、张量与变量
TensorFlow是一个采用数据流图(data flow graphs),用于数值计算的开源软件库.节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组, ...
Tensorflow基础语法和概念
Tensorflow基础语法和概念一些说明:学习tensorflow用到的Python语法,请参考这篇博客计算图模型 Tensorflow的构建的机器学习模型都是有向图模型,在Tensorflow ...
深度学习（11）TensorFlow基础操作七: 向前传播（张量）实战
深度学习(11)TensorFlow基础操作七: 向前传播(张量)实战 1. 导包 2. 加载数据集 3. 转换数据类型 4. 查看x.shape, y.shape, x.dtype, y.dtype ...
深度学习（10）TensorFlow基础操作六: 数学运算
深度学习(10)TensorFlow基础操作六: 数学运算 1. Operation type 2. + - * / % // 3. tf.math.log & tf.exp 4. log2, ...
深度学习（9）TensorFlow基础操作五: Broadcasting
深度学习(9)TensorFlow基础操作五: Broadcasting 1. 操作思想 2. 具体例子 3. 理解 (1) How to understand? (2) Why Broadcasti ...
深度学习（7）TensorFlow基础操作三: 索引与切片
深度学习(7)TensorFlow基础操作三: 索引与切片一. 基础索引 1. Basic indexing 2. Numpy-style indexing 3. start : end 4. 切片 ...

最新文章

热门文章