Tensorflow 关于tf.Tensor.set_shape（）的澄清

我有一张478x717x3=1028178像素的图像，排名为1。我通过调用tf.shape和tf.rank来验证它

当我调用image.set_shape（[478717,3]）时，它抛出以下错误

"Shapes %s and %s must have the same rank" % (self, other)) 
ValueError: Shapes (?,) and (478, 717, 3) must have the same rank

我再次测试了第一次铸造到1028178，但错误仍然存在

ValueError: Shapes (1028178,) and (478, 717, 3) must have the same rank

嗯，这是有道理的，因为一个级别为1，另一个级别为3。但是，为什么必须抛出错误，因为总像素数仍然匹配

我当然可以使用tf.reforme，它可以工作，但我认为这不是最佳的

如TensorFlow常见问题解答所述

x.set_shape（）和x=tf.reformate（x）之间有什么区别

方法更新张量的静态形状 对象，它通常用于提供附加形状 无法直接推断时的信息。它不会改变 张量的动态形状

reformate（）操作创建具有不同动态形状的新张量

创建一个新的张量涉及内存分配，当涉及更多的训练示例时，这可能会更加昂贵。这是出于设计，还是我在这里遗漏了什么？

据我所知（我编写了代码），这本书中没有bug。我认为这一误解源于该方法令人困惑的名称

详细说明，

Tensor.set_shape（）

是一个纯Python函数，它改进了给定

tf.Tensor

对象的形状信息。我所说的“改进”，是指“使更具体”

因此，当你有一个具有形状

（？，）

的

张量

对象

t

，这是一个长度未知的一维张量。您可以调用

t.set\u shape（（1028178，）

，然后

t

在调用

t.get\u shape（）

时将具有shape

（1028178，）

。这不会影响底层存储，或者实际上不会影响后端上的任何内容：这仅仅意味着使用

t

的后续形状推断可以依赖于它是长度为1028178的向量的断言

如果

t

有shape

（？，）

，调用

t.set\u shape（（478717，3））

将失败，因为TensorFlow已经知道

t

是一个向量，所以它不能有shape

（478717，3）

。如果要从

t

的内容中生成具有该形状的新张量，可以使用。这将在Python中创建一个新的

tf.Tensor

对象；实际使用的是张量缓冲区的浅拷贝，因此在实践中成本较低

---

一个类比是

Tensor.set_shape（）

类似于Java等面向对象语言中的运行时转换。例如，如果您有一个指向

对象的指针

，但知道它实际上是一个

字符串

，则可以执行cast

（String）obj

，以便将

obj

传递给需要

字符串

参数的方法。但是，如果您有一个

字符串

s

，并尝试将其转换为

java.util.Vector

，编译器将给您一个错误，因为这两种类型是不相关的。

真正的问题是，重新整形的张量是否与原始张量共享数据缓冲区，或者是否复制。通过快速阅读代码，我不太清楚，但如果它确实是一个副本，那应该加以修复。莫里在下面的回答中详细说明了这是一个肤浅的副本。@merry你知道

set\u shape（）

功能在

1.0+

中的位置吗？我正是在寻找这个功能，以便告诉TensorFlow

tf.py_func

结果的形状。它仍然在同一个地方：@mrry关于这个方法的文档非常棒！我只想给那一个5*。但我使用的是tf数据集，在使用.map（）将一些视频填充/截断到64帧后，我得到了。我不能指定视频的长度为64帧吗？或者这对图形优化来说无关紧要？