size

Tensor 的 大小，长 * 宽；

tf.size 返回 Tensor，需要 session；

d1 = tf.random_uniform((3, 2))
# print(d1.size)    # AttributeError: 'Tensor' object has no attribute 'size'
size = tf.size(d1)
sess = tf.Session()
print(sess.run(size))       # 6

 

shape 和 tf.shape 和 get_shape 和 set_shape

 

先说结论再看例子

1. 运行环境不同

  • shape 和 get_shape 返回元组，故无需 Session，可直接获取；
  • 而 tf.shape 返回 Tensor，需要 Session　　　　　　　　　　　　【只有返回 Tensor 才需要 Session】

2. 适用对象不同

  • tf.shape 适用于 Tensor，还有 ndarray，list；
  • shape 适用于 Tensor，还有 ndarray；
  • get_shape 只适用于 Tensor；

 

代码如下

########## tf.shape ##########
### 用函数获取，返回 Tensor
# 针对所有 Tensor，包括 Variable，array、list 也可以
d5 = tf.shape(tf.random_normal((2, 3)))     ### Tensor
print(d5)       # Tensor("Shape:0", shape=(2,), dtype=int32)
d6 = tf.shape(tf.Variable([1. ,2.]))        ### Variable
n3 = tf.shape(np.array([[1, 2], [3, 4]]))   ### ndarray
n4 = tf.shape([1, 2])                       ### list
with tf.Session() as sess1:
    print(sess1.run(d5))        # [2 3]
    print(sess1.run(d6))        # [2]
    print(sess1.run(n3))        # [2 2]
    print(sess1.run(n4))        # [2]
    

########## shape ##########
### 直接获取，返回元组
# 针对所有 Tensor，包括 Variable，array 也可以
d1 = tf.random_uniform((3, 2)).shape        ### Tensor
print(d1)       # (3, 2)
d2 = tf.Variable([1. ,2.]).shape            ### Variable
print(d2)       # (2,)
n1 = np.array([[1, 2], [3, 4]]).shape       ### ndarray
print(n1)       # (2, 2)


########## get_shape ##########
### 直接获取，返回元组
# 针对所有 Tensor，包括 Variable，不包括 array
d3 = tf.random_uniform((3, 2)).get_shape()  ### Tensor
print(d3)       # (3, 2)
d4 = tf.Variable([1. ,2.]).get_shape()      ### Variable
print(d4)       # (2,)
# n2 = np.array([[1, 2], [3, 4]]).get_shape()     ### 报错 AttributeError: 'numpy.ndarray' object has no attribute 'get_shape'

 

set_shape 是为一个 Tensor reset shape

一般只用于设置 placeholder 的尺寸；

x1 = tf.placeholder(tf.int32)
x1.set_shape([2, 2])
print(tf.shape(x1))

sess = tf.Session()
# print(sess.run(tf.shape(x1), feed_dict={x1:[[0,1,2,3]]}))       ### ValueError: Cannot feed value of shape (1, 4) for Tensor 'Placeholder:0', which has shape '(2, 2)'
print(sess.run(tf.shape(x1), feed_dict={x1: [[0, 1], [2, 3]]}))

限制 x1 只能是 (2，2) 的 shape；

 

tf.squeeze 和 tf.expand_dims

def squeeze(input, axis=None, name=None, squeeze_dims=None)

压缩维度，如果被压缩的维度为 1 维，就去掉该维度，如果该维度不是 1 维，报错

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
  tf.shape(tf.squeeze(t))  # [2, 3]

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
  tf.shape(tf.squeeze(t, [2, 4]))  # [1, 2, 3, 1]

axis 和 squeeze_dims 是一个意思， squeeze_dims 已被废弃；

axis 可取 list 指定多个维度；

c1 = tf.constant([[1, 3]])
print(c1.shape)         # (1, 2)

### 第 0 维 的维度为 1
c2 = tf.squeeze(c1, squeeze_dims=0)
print(c2.shape)         # (2,)

c3 = tf.squeeze(c1, axis=0)
print(c3.shape)         # (2,)

 

def expand_dims(input, axis=None, name=None, dim=None)

在指定维度上增加 1 个维度

axis 和 dim 是一个意思，dim 已被废弃

data = tf.constant([[1, 2],
                    [3, 4]])
print(data.shape)   # (2, 2)            ### 两个维度

data2 = tf.expand_dims(data, dim=1)     ### 在第一个维度上添加一个维度
print(data2.shape)  # (2, 1, 2)

data3 = tf.expand_dims(data, dim=0)     ### 在第0个维度上添加一个维度
print(data3.shape)  # (1, 2, 2)

data4 = tf.expand_dims(data, dim=-1)    ### 在最后一个维度上添加一个维度
print(data4.shape)  # (2, 2, 1)

 

tf.concat

按指定维度进行拼接 

def concat(values, axis, name="concat") 

axis 0 表示按列拼接，1 表示按行拼接

d1 = tf.zeros((2, 3))
d2 = tf.ones((2, 4))

d3 = tf.concat([d1, d2], axis=1)        # 第 1 个维度
d4 = tf.concat([d1, d2], axis=-1)       # -1 代表最后一个维度

sess = tf.Session()
sess.run(d3)
sess.run(d4)
print(d3.shape)     # (2, 7)
print(d4.shape)     # (2, 7)

 

 

 

参考资料：

https://blog.csdn.net/m0_37744293/article/details/78254691　　tf.shape()与tf.get_shape()