如何在图构建时获取张量的维度（在 TensorFlow 中）？

Posted 2023-02-16

【中文标题】如何在图构建时获取张量的维度（在 TensorFlow 中）？

【英文标题】：How to get the dimensions of a tensor (in TensorFlow) at graph construction time?

【发布时间】：2016-08-26 06:23:39

【问题描述】：

我正在尝试一个不符合预期的操作。

graph = tf.Graph()
with graph.as_default():
  train_dataset = tf.placeholder(tf.int32, shape=[128, 2])
  embeddings = tf.Variable(
    tf.random_uniform([50000, 64], -1.0, 1.0))
  embed = tf.nn.embedding_lookup(embeddings, train_dataset)
  embed = tf.reduce_sum(embed, reduction_indices=0)

所以我需要知道张量 embed 的尺寸。我知道它可以在运行时完成，但是对于这样一个简单的操作来说工作量太大了。有什么更简单的方法？

【参考方案1】：

我看到大多数人对tf.shape(tensor) 和tensor.get_shape() 感到困惑 让我们说清楚：

tf.shape

tf.shape 用于动态形状。如果您的张量的形状是可变，请使用它。 举个例子：输入是一个宽度和高度可变的图像，我们想把它调整为它的一半大小，那么我们可以这样写：new_height = tf.shape(image)[0] / 2

tensor.get_shape

tensor.get_shape 用于固定形状，表示张量的形状可以在图中推导出。

结论： tf.shape 几乎可以在任何地方使用，但t.get_shape 只能用于从图形中推断出的形状。

【参考方案2】：

Tensor.get_shape() 来自this post。

From documentation:

c = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(c.get_shape())
==> TensorShape([Dimension(2), Dimension(3)])

【讨论】：

如果有人想知道：tf.shape(c) 返回一个表示c 形状的一维整数张量。在这个答案给出的例子中，tf.shape(c) 返回Tensor("Shape:0", shape=(2,), dtype=int32)

@nobar 如果维度是None（即，如果未指定），您可能需要使用tf.shape(c)。例如，如果a = tf.placeholder(tf.int32, (None,2))，并且您运行tf.Session().run(tf.constant(a.get_shape().as_list()[0]), a:[[1,2]]) ，您将得到错误，但您可以通过：tf.Session().run(tf.shape(a)[0], a:[[1,2]]) 获取维度。

【参考方案3】：

访问值的函数：

def shape(tensor):
    s = tensor.get_shape()
    return tuple([s[i].value for i in range(0, len(s))])

例子：

batch_size, num_feats = shape(logits)

【讨论】：

return tuple(tensor.get_shape().as_list())如果你想要一个元组，或者直接返回python列表如return tensor.get_shape().as_list()

【参考方案4】：

在构造图（ops）之后打印出嵌入而不运行：

import tensorflow as tf

...

train_dataset = tf.placeholder(tf.int32, shape=[128, 2])
embeddings = tf.Variable(
    tf.random_uniform([50000, 64], -1.0, 1.0))
embed = tf.nn.embedding_lookup(embeddings, train_dataset)
print (embed)

这将显示嵌入张量的形状：

Tensor("embedding_lookup:0", shape=(128, 2, 64), dtype=float32)

通常，最好在训练模型之前检查所有张量的形状。

【讨论】：

虽然我在您发布之前给出的答案是正确的，但您的答案提供了有关张量的更多信息而不仅仅是它的形状，因此，我接受它作为正确答案;)

【参考方案5】：

让我们让它变得简单。如果您想要像2, 3, 4, etc., 这样的维度数使用单个数字，则只需使用tf.rank()。但是，如果您想要张量的确切形状，请使用tensor.get_shape()

with tf.Session() as sess:
   arr = tf.random_normal(shape=(10, 32, 32, 128))
   a = tf.random_gamma(shape=(3, 3, 1), alpha=0.1)
   print(sess.run([tf.rank(arr), tf.rank(a)]))
   print(arr.get_shape(), ", ", a.get_shape())     


# for tf.rank()    
[4, 3]

# for tf.get_shape()
Output: (10, 32, 32, 128) , (3, 3, 1)

【参考方案6】：

方法 tf.shape 是 TensorFlow 的静态方法。但是，Tensor 类也有 get_shape 方法。见

https://www.tensorflow.org/api_docs/python/tf/Tensor#get_shape

【讨论】：

真的没有 - 我只是想尽可能简洁地解释它;-)