Tensorflow：何时使用tf.expand_dims？

Tensorflow教程包括使用

tf.expand_dims

向tensor添加“批量维度”。我已经阅读了这个函数的文档，但它对我来说仍然是相当神秘的。有人确切地知道在什么情况下必须使用这个吗

我的代码如下。我的目的是根据预测和实际垃圾箱之间的距离来计算损失。（例如，如果

predictedBin=10

和

truthBin=7

则

bindinstanceloss=3

）

---

在这种情况下，是否需要将

tf.expand_dims

应用到

predictedBin

和

bindinstanceloss

？提前感谢。

扩展dims

不会在张量中添加或减少元素，它只是通过向维度添加

1

来更改形状。例如，包含10个元素的向量可以被视为10x1矩阵

我在使用expand_dims时遇到的情况是，我试图构建一个ConvNet来对灰度图像进行分类。灰度图像将作为大小矩阵加载

[320320]

。但是，

tf.nn.conv2d

要求输入为

[批次，在\u高度，在\u宽度，在\u通道中]

，其中我的数据中缺少

在本例中应为
1
。因此，我使用了
expand_dims
来添加一个维度

在你的情况下，我不认为你需要
扩展_dims
来添加到大同的答案中，你可能需要同时扩展多个维度。例如，如果要对秩1的向量执行TensorFlow的
conv1d
操作，则需要为它们提供秩3

多次执行
expand_dims
是可读的，但可能会给计算图带来一些开销。通过
重塑
，您可以在一行程序中获得相同的功能：

将tensorflow导入为tf
#有一些秩1的张量，它可能是音频信号，一个词向量。。。
张量=tf.one（100）
打印（张量.get_-shape（））#=>（100，）
#扩展其维度以适合conv2d
张量扩展=tf.expand\u dims（张量，0）
张量扩展=tf.expand\u dims（张量扩展，0）
张量扩展=tf.expand\u dims（张量扩展，-1）
打印（张量展开。获取形状（））#=>（1,1100,1）
#使用“重塑”在一行中执行相同操作
tensor_整形=tf.整形（tensor[1,1，tensor.get_shape（）.as_list（）[0,1]））
打印（张量重塑。获取形状（））#=>（1,1100,1）

注意：如果出现错误
TypeError:无法将类型的对象转换为张量。
，请尝试传递
tf.shape（x）[0]
，而不是按照建议传递
x.get\u shape（）[0]

希望有帮助

干杯，

Andres
您是否运行过任何测试，以查看执行一次
重塑
是否比执行两次或三次
展开
更快？不太可能！我查看了一下，但无法理解gen_array_ops在哪里，所以我不能说太多。。。我肯定有兴趣看一些测试，我在这个答案中真正喜欢的是能够使用张量定义的形状，而不仅仅是一个整数。这确实解决了我的问题，我需要在tf.reforme中指定一个维度为None，另一个维度由当前输入（批量大小不同）加上已经预定义的维度指定。重塑中的tf.shape（x）[0]挽救了这一天：）非常感谢（即使我没有问这个问题）！很高兴它有帮助！是的，声明式语法有它的怪癖：）。如果你想有一个更迫切，直接的味道，但你确实需要坚持的TF你可能想看看最近添加的。还有其他选择，尤其是PyTorch。我最近做过，如果你愿意，请随意看一看并提供反馈。干杯
batch_size = tf.size(truthValues_placeholder)
labels = tf.expand_dims(truthValues_placeholder, 1)
predictedBin = tf.argmax(logits)
binDistanceLoss = tf.abs(tf.sub(labels, logits))