Python tf.shape（）在tensorflow中获取错误的形状

我定义的张量如下：

x=tf.get_变量（“x”，[100]）

但当我尝试打印张量的形状时：

打印（tf.shape（x））

我得到了张量（“Shape:0”，Shape=（1，），dtype=int32），为什么输出结果不应该是Shape=（100）

返回一个表示输入形状的一维整数张量

您正在查找：

x.get_shape（）

，它返回

x

变量的

TensorShape

更新：我写了一篇文章来澄清Tensorflow中的动态/静态形状，因为这个答案：

澄清：

shape（x）创建一个op并返回一个对象，该对象代表构建的op的输出，这就是您当前正在打印的对象。要获取形状，请在会话中运行该操作：

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]

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

---

信用证：在看了上面的答案后，我看到了我觉得更有用的答案，我试着在这里重新措辞。

类似的问题在以下章节中得到了很好的解释：

在TensorFlow中，张量既有静态（推断）形状，也有静态形状 动态（真实）形状。可以使用

tf.Tensor.get_shape

方法：此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 静态形状没有完全定义，张量t的动态形状 可通过计算

tf.shape（t）

来确定

因此，返回一个张量，其大小始终为

shape=（N，）

，可以在会话中计算：

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]

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

---

另一方面，您可以通过使用

x.get_shape（）.as_list（）

提取静态形状，这可以在任何地方进行计算。

这只是一个简单的示例，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：

---

简单地说，使用

张量.shape

获得静态形状：

而要获得动态形状，请使用

tf.shape（）

：

---

您还可以使用

您的_tensor.shape

获得NumPy中的形状，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)

---

同样，本例中，对于可以

eval

计算的张量

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

---

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())

x.get\u shape（）.as\u list（）

是将形状转换为标准python列表的常用形式。我发现这个答案对于分析张量的形状非常有用，尽管它不是公认的。什么是

shape=（N，）

表示？当静态形状和dinamic形状不同时，您能举例说明吗？@mrglud shape=（n，）表示大小为n的向量。显示这样的示例并不容易，因为您需要将TF混淆到足以失去对形状的控制