如何理解TensorFlow中的静态形状和动态形状？

在这方面，它说：

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 get_shape（）方法：此形状是从 用于创建张量的操作，可以部分 完成如果静态形状未完全定义，则动态形状 张量t的形状可以通过计算tf.shape（t）来确定

---

但我仍然不能完全理解静态形状和动态形状之间的关系。是否有任何例子表明他们的不同？谢谢。

有时张量的形状取决于运行时计算的值。让我们以下面的示例为例，其中

x

被定义为具有四个元素的向量：

x = tf.placeholder(tf.int32, shape=[4])
print x.get_shape()
# ==> '(4,)'

x.get_shape（）

的值是

x

的静态形状，

（4，

）表示它是长度为4的向量。现在让我们将op应用于

x

y, _ = tf.unique(x)
print y.get_shape()
# ==> '(?,)'

（？，）

表示

y

是长度未知的向量。为什么不知道？从

x

返回唯一的值，

x

的值未知，因为它是

tf.placeholder（）

，所以在您输入它之前它没有值。让我们看看如果输入两个不同的值会发生什么：

sess = tf.Session()
print sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape
# ==> '(4,)'
print sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape
# ==> '(1,)'

希望这能清楚地表明张量可以有不同的静态和动态形状。动态形状总是完全定义的，它没有

？

尺寸，但静态形状可能不太具体。这使得TensorFlow能够支持诸如

tf.unique（）

和之类的操作，这些操作可以具有可变大小的输出，并用于高级应用程序中

最后，op可用于获得张量的动态形状，并将其用于张量流计算：

z = tf.shape(y)
print sess.run(z, feed_dict={x: [0, 1, 2, 3]})
# ==> [4]
print sess.run(z, feed_dict={x: [0, 0, 0, 0]})
# ==> [1]

这是一张示意图，显示了以下两个方面：

---

在上面的答案中定义得很好，我们对此投了赞成票。我还经历了一些观察，所以我想与大家分享

tf.Tensor.get_shape（）可用于使用创建输出的操作推断输出，这意味着我们可以在不使用sess.run（）的情况下推断输出（运行操作），正如名称static shape所暗示的那样。 比如说,

c=tf.随机均匀（[1,3,1,1]）

是一个tf.Tensor，在运行图之前，我们想知道它在代码中的任何一步的形状，所以我们可以使用

c、 get_shape（）

tf.Tensor.get_shape无法动态（sess.run（））的原因是输出类型 TensorShape而不是tf.tensor，输出TensorShape会限制sess.run（）的使用

sess.run（c.get_shape（））

如果我们这样做，我们会得到一个错误，即TensorShape的类型无效，它必须是张量/运算或字符串

另一方面，动态形状需要通过sess.run（）运行操作才能获得形状

分段运行（tf形状（c））

输出：数组（[1,3,1,1]）

或

赛斯·润（c）·形

（1,3,1,1）#元组

---

希望这有助于澄清tensorflow的概念。

tensorflow 2.0兼容答案：为了社区的利益，提及mrry在其答案中指定的代码

# Installing the Tensorflow Version 2.1
!pip install tensorflow==2.1

# If we don't Disable the Eager Execution, usage of Placeholder results in RunTimeError

tf.compat.v1.disable_eager_execution()

x = tf.compat.v1.placeholder(tf.int32, shape=[4])
print(x.get_shape())

# ==> 4

y, _ = tf.unique(x)
print(y.get_shape())

# ==> (None,)

sess = tf.compat.v1.Session()
print(sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape)
# ==> '(4,)'
print(sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape)
# ==> '(1,)'

z = tf.shape(y)
print(sess.run(z, feed_dict={x: [0, 1, 2, 3]}))
# ==> [4]
print(sess.run(z, feed_dict={x: [0, 0, 0, 0]}))
# ==> [1]

---

我可以使用具有可学习层的动态形状吗？如果使用较小的输入，权重会发生什么变化？通常，可学习参数的形状需要静态已知，但输入可以具有可变的批量大小。有没有办法在tensorflow 2.0和tf.keras中具有推断形状和动态形状