Python 如何在图构造时获得张量（在TensorFlow中）的维数？

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的维数

embed

。我知道这可以在运行时完成，但对于这样一个简单的操作来说，工作量太大了。做这件事最简单的方法是什么？

Tensor.get_shape（）

from

:

---

只需打印构建后嵌入图（ops），无需运行：

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，在训练模型之前，最好检查所有张量的形状。

一个访问值的函数：

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

例如：

batch_size, num_feats = shape(logits)

---

我看到大多数人对

tf.shape（tensor）

和

tensor.get\u shape（）

让我们说清楚：

tf.shape

tf.shape

用于动态形状。如果张量的形状是可更改的，请使用它。 例如：输入是宽度和高度可变的图像，我们希望将其大小调整为其大小的一半，然后我们可以编写如下内容：

new_height=tf.shape（图像）[0]/2

tensor.get_形

tensor.get_shape

用于固定形状，这意味着可以在图中推导出张量的形状

结论:

---

tf.shape

几乎可以在任何地方使用，但是

t.get\u shape

只能从图形中推断形状

让我们把它说得非常简单。如果您想要一个单一的数字作为维度的数量，如

2、3、4等，

，那么只需使用

tf.rank（）

。但是，如果你想要张量的精确形状，那么就使用

tensor.get\u shape（）

---

tf.shape方法是一种张量流静态方法。然而，对于张量类，还有一种方法是获得_形。看

---

虽然我在你发布你的答案之前给出的答案是正确的，但你的答案提供了更多关于张量的信息，而不仅仅是它的形状，因此，我认为这是正确的答案；）如果有人想知道：

tf.shape（c）

返回表示

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

张量（“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，但您可以通过以下方式获得维度：

tf.Session（）.run（tf.shape（a）[0]，{a:[1,2]}）

。真的没有-我只是想尽可能简洁地解释；-）

返回元组（tensor.get_shape（）.as_list（））

如果需要元组，或者直接返回python列表，如

返回tensor.get_shape（）.as_list（）

batch_size, num_feats = shape(logits)

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)