Python 在numpy argmax和keras argmax中，TensorFlow张量的处理方式不同

为什么一个张量流张量在Numpy的数学函数中的行为与在Keras的数学函数中的行为不同

当把Numpy数组放在与张量流张量相同的位置时，它似乎能正常工作

此示例显示在numpy函数和keras函数下正确处理numpy矩阵

import numpy as np
from keras import backend as K

arr = np.random.rand(19, 19, 5, 80)

np_argmax = np.argmax(arr, axis=-1)
np_max = np.max(arr, axis=-1)

k_argmax = K.argmax(arr, axis=-1)
k_max = K.max(arr, axis=-1)

print('np_argmax shape: ', np_argmax.shape)
print('np_max shape: ', np_max.shape)
print('k_argmax shape: ', k_argmax.shape)
print('k_max shape: ', k_max.shape)

输出（如预期的那样）

与这个例子相反

import numpy as np
from keras import backend as K
import tensorflow as tf

arr = tf.constant(np.random.rand(19, 19, 5, 80))

np_argmax = np.argmax(arr, axis=-1)
np_max = np.max(arr, axis=-1)

k_argmax = K.argmax(arr, axis=-1)
k_max = K.max(arr, axis=-1)

print('np_argmax shape: ', np_argmax.shape)
print('np_max shape: ', np_max.shape)
print('k_argmax shape: ', k_argmax.shape)
print('k_max shape: ', k_max.shape)

哪个输出

np_argmax shape:  ()
np_max shape:  (19, 19, 5, 80)
k_argmax shape:  (19, 19, 5)
k_max shape:  (19, 19, 5)

---

对于第二个示例，为什么不尝试以下代码：

import numpy as np
from keras import backend as K
import tensorflow as tf

arr = tf.constant(np.random.rand(19, 19, 5, 80))
with tf.Session() as sess:
    arr = sess.run(arr)

np_argmax = np.argmax(arr, axis=-1)
np_max = np.max(arr, axis=-1)

k_argmax = K.argmax(arr, axis=-1)
k_max = K.max(arr, axis=-1)

print('np_argmax shape: ', np_argmax.shape)
print('np_max shape: ', np_max.shape)
print('k_argmax shape: ', k_argmax.shape)
print('k_max shape: ', k_max.shape)

---

在

arr=tf.constant（np.random.rand（19,19,5,80））

之后，

arr

的类型是

tf.Tensor

，但是在运行

arr=sess.run（arr）

之后，它的类型将更改为

numpy.ndarray
，您需要执行/运行代码（比如在tf会话下）来计算张量。在此之前，不会对张量的形状进行评估

TF文件说：

张量中的每个元素都有相同的数据类型，并且数据类型总是已知的。形状（即，其尺寸的数量和每个尺寸的大小）可能仅部分已知。如果输入的形状也是完全已知的，大多数操作都会生成形状完全已知的张量，但在某些情况下，只有在图形执行时才可能找到张量的形状

啊,应该抓到的。谢谢你的帮助！
import numpy as np
from keras import backend as K
import tensorflow as tf

arr = tf.constant(np.random.rand(19, 19, 5, 80))
with tf.Session() as sess:
    arr = sess.run(arr)

np_argmax = np.argmax(arr, axis=-1)
np_max = np.max(arr, axis=-1)

k_argmax = K.argmax(arr, axis=-1)
k_max = K.max(arr, axis=-1)

print('np_argmax shape: ', np_argmax.shape)
print('np_max shape: ', np_max.shape)
print('k_argmax shape: ', k_argmax.shape)
print('k_max shape: ', k_max.shape)