Tensorflow 关于将多维张量重塑为[-1,n]
在阅读tensorflow分段时,我试图弄清楚以下实现的目的是什么 一个Tensorflow 关于将多维张量重塑为[-1,n],tensorflow,Tensorflow,在阅读tensorflow分段时,我试图弄清楚以下实现的目的是什么 一个x张量的定义如下self.x=tf.placeholder(“float”,shape=[None,None,None,n_标签]) 稍后,一个函数尝试调用转换后的张量“x1”,该张量定义为x1=tf.reformate(self.x,[-1,n_标签]) 我的理解是tf.reformate(self.x,[-1,n_标签])应该尝试重新塑造 将x张量转换为一维向量 但是我有点搞不清x是怎么定义的,它被定义为shape=[N
x
张量的定义如下self.x=tf.placeholder(“float”,shape=[None,None,None,n_标签])
稍后,一个函数尝试调用转换后的张量“x1”,该张量定义为x1=tf.reformate(self.x,[-1,n_标签])
我的理解是tf.reformate(self.x,[-1,n_标签])
应该尝试重新塑造
将x张量转换为一维向量
但是我有点搞不清x是怎么定义的,它被定义为
shape=[None,None,None,n_label]
和x1这样转换的。x1到底应该是什么样子?为什么这样做?None
表示我们不希望在创建图形时指定维度,而是希望在运行时确定维度。例如,当您想在训练和推理过程中使用不同的小批量时,它可能很有用
对于某些维度,使用
-1
重塑表示“保留张量的总大小”。例如,对形状为[3,4,2]的x进行整形(x,[-1,2])将产生形状为[12,2]的新张量 None
表示我们不希望在创建图形时指定维度,而是希望在运行时确定维度。例如,当您想在训练和推理过程中使用不同的小批量时,它可能很有用
对于某些维度,使用-1
重塑表示“保留张量的总大小”。例如,对形状为[3,4,2]的x进行整形(x,[-1,2])将产生形状为[12,2]的新张量