tf.shape() 在张量流中得到错误的形状

Posted 2023-02-16

【中文标题】tf.shape() 在张量流中得到错误的形状

【英文标题】：tf.shape() get wrong shape in tensorflow

【发布时间】：2016-09-02 07:08:21

【问题描述】：

我这样定义一个张量：

x = tf.get_variable("x", [100])

但是当我尝试打印张量的形状时：

print( tf.shape(x) )

我得到Tensor("Shape:0", shape=(1,), dtype=int32)，为什么输出的结果不应该是shape=(100)

【问题讨论】：

我发现this 的答案对于分析张量的形状非常有用，尽管它不是公认的。

【参考方案1】：

tf.shape(input, name=None) 返回一个表示输入形状的一维整数张量。

您正在寻找：x.get_shape()，它返回 x 变量的 TensorShape。

更新：因为这个答案，我写了一篇文章来阐明 Tensorflow 中的动态/静态形状：https://pgaleone.eu/tensorflow/2018/07/28/understanding-tensorflow-tensors-shape-static-dynamic/

【讨论】：

x.get_shape().as_list() 是一种常用的形式，用于将形状转换为标准的 python 列表。在此添加以供参考。

【参考方案2】：

澄清：

tf.shape(x) 创建一个操作并返回一个对象，该对象代表构造操作的输出，这是您当前正在打印的内容。要获取形状，请在会话中运行操作：

matA = tf.constant([[7, 8], [9, 10]])
shapeOp = tf.shape(matA) 
print(shapeOp) #Tensor("Shape:0", shape=(2,), dtype=int32)
with tf.Session() as sess:
   print(sess.run(shapeOp)) #[2 2]

credit：看了上面的答案后，我看到了tf.rank function in Tensorflow 的答案，我发现它更有帮助，我在这里尝试重新措辞。

【参考方案3】：

只是一个简单的例子，让事情更清楚：

a = tf.Variable(tf.zeros(shape=(2, 3, 4)))
print('-'*60)
print("v1", tf.shape(a))
print('-'*60)
print("v2", a.get_shape())
print('-'*60)
with tf.Session() as sess:
    print("v3", sess.run(tf.shape(a)))
print('-'*60)
print("v4",a.shape)

输出将是：

------------------------------------------------------------
v1 Tensor("Shape:0", shape=(3,), dtype=int32)
------------------------------------------------------------
v2 (2, 3, 4)
------------------------------------------------------------
v3 [2 3 4]
------------------------------------------------------------
v4 (2, 3, 4)

这也应该有帮助： How to understand static shape and dynamic shape in TensorFlow?

【参考方案4】：

TF FAQ 很好地解释了类似的问题：

在 TensorFlow 中，张量同时具有静态（推断）形状和 动态（真实）形状。静态形状可以使用 tf.Tensor.get_shape 方法：这个形状是从操作中推断出来的 用于创建张量的，可能是部分完整的。如果 静态形状未完全定义，张量 t 的动态形状 可以通过评估tf.shape(t)来确定。

所以tf.shape() 会返回一个张量，其大小始终为shape=(N,)，并且可以在会话中计算：

a = tf.Variable(tf.zeros(shape=(2, 3, 4)))
with tf.Session() as sess:
    print sess.run(tf.shape(a))

另一方面，您可以使用x.get_shape().as_list() 提取静态形状，这可以在任何地方计算。

【讨论】：

shape=(N,) 代表什么？当静态形状和动态形状不同时，你能举例说明吗？

@mrgloom shape=(n,) 表示大小为 n 的向量。展示这样的例子并不容易，因为你需要将 TF 混淆到足以失去对形状的控制

【参考方案5】：

简单地说，使用tensor.shape 得到静态形状：

In [102]: a = tf.placeholder(tf.float32, [None, 128])

# returns [None, 128]
In [103]: a.shape.as_list()
Out[103]: [None, 128]

而要获得动态形状，请使用tf.shape()：

dynamic_shape = tf.shape(a)

---

您也可以像在 NumPy 中一样使用your_tensor.shape 获取形状，如下例所示。

In [11]: tensr = tf.constant([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6]])

In [12]: tensr.shape
Out[12]: TensorShape([Dimension(2), Dimension(5)])

In [13]: list(tensr.shape)
Out[13]: [Dimension(2), Dimension(5)]

In [16]: print(tensr.shape)
(2, 5)

---

另外，这个例子中的张量可以是evaluated。

In [33]: tf.shape(tensr).eval().tolist()
Out[33]: [2, 5]

【参考方案6】：

Tensorflow 2.0 兼容答案：Tensorflow 2.x (>= 2.0) nessuno 解决方案的兼容答案如下所示：

x = tf.compat.v1.get_variable("x", [100])

print(x.get_shape())