好资源导航 » 文章资讯 » 基于tf.shape(tensor)和tensor.shape()的区别说明

基于tf.shape(tensor)和tensor.shape()的区别说明

2023-07-22 07:45:14 72

#tf.shape(tensor)和tensor.shape()的区别

a=tf.zeros([4,5,4,5,6])
print(type(a.shape))
print(a.shape.ndims)#多少个维度
print(a.shape.as_list())#返回列表
print(type(tf.shape(a)))
print(type(tf.shape(a)[0]))
b=a.shape.as_list()
c=tf.shape(a)
b[1]=tf.shape(a)[1]
print(b)
sess=tf.Session()
d=sess.run(c)
print(d)

outputs:

5
[4,5,4,5,6]


[4,,4,5,6]
[45456]

其中tf.shape(tensor)使用的是动态的，即必须要在session中运行后才能显示出来，但是tensor.shape()是静态的，即通过定义的shape可以惊天的运行出来。

原因：在我们定义的时候，比如进行placeholder的时候我们可能会定义某些维度为None，在静态的时候是看不出来的，只能在运行的时候找到维度。

**使用：**可以在获得某些tensor的维度的时候进行检验，防止维度为None。

补充知识：tensorflow.python.framework.tensor_shape.TensorShape类

TensorShape是tensorflow中关于张量shape的类（class）.

使用示例如下：

importtensorflow.compat.v1astf
fromtensorflow.python.frameworkimporttensor_shape
fromtensorflow.python.frameworkimportconstant_op

tensor_test1=[10,10,10]
tensor_test2=[None,10,10]

p1=tensor_shape.as_shape(tensor_test1)#得到的是一个类实例，该类实例包含一个属性，是tensor_test1的value
const=constant_op.constant(p1.as_list())

print("type(p1)=",type(p1))
print("p1=",p1)#使用p1时会自动调用p1中的value属性
print("p1.is_fully_defined()=",p1.is_fully_defined())#is_fully_defined是TensorShape类的一个内部函数
print("p1.ndims=",p1.ndims)#ndims也是TensorShape的一个属性值
print("p1.as_list()=",p1.as_list())#把TensorShape的value属性转换成python中的list类型
print("const=",const)

结果如下：

type(p1)=
p1=(10,10,10)
p1.is_fully_defined()=True
p1.ndims=3
p1.as_list()=[10,10,10]
const=Tensor("Const:0",shape=(3,),dtype=int32)

以上这篇基于tf.shape(tensor)和tensor.shape()的区别说明就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。

返回顶部
514930285
czq8825@qq.com

基于tf.shape(tensor)和tensor.shape()的区别说明

热门推荐

随机推荐