在 tf.function 中，如何将 tf.shape() 获得的动态张量形状转换为 python 值而不是张量本身？

Question

我有一个来自 tf.dataset 的填充批次，因为每个填充批次的形状都不是固定的。所以我必须使用 tf.shape 方法来获取填充批次的动态形状。问题是如何转换由 tf 获得的张量形状.shape 到 tf.function 下的 python 值？

@tf.function
def train_step(padded_batch):
    shape = tf.shape(padded_batch)
    x = np.zeros(shape[0], shape[1])

如上面的代码，我想创建一个与padd_batch形状相同的numpy数组，但是'shape'是一个张量，在numpy中不能直接使用。功能。

我使用的tensorflow版本是tf2.0

Answer 1

假设你有一个名为a_tensor的张量：

this_is_a_regular_non_tensor_shape = a_tensor.shape.as_list()

（顺便说一句：您似乎没有正确使用np.zeros ……您需要将形状作为单个元组/列表参数传递。不是每个维度的单独参数。例如：

shape = padded_batch.shape.as_list()
x = np.zeros(shape)

希望有帮助。）

Answer 2

如TF 文档中所述，

在@tf.function或 compat.v1 上下文中，在执行之前并非所有维度都是已知的。 因此，在为图形模式定义自定义层和模型时，更喜欢动态tf.shape(x)而不是静态 x.shape

你的代码没问题。 我只是用 tf.zeros 替换了 np.zeros。 @tf.function 装饰器意味着代码将以图形模式运行。 图形中不允许使用 numpy。 在 TF 2.x 中测试。

@tf.function
def train_step(padded_batch):
    shape = tf.shape(padded_batch)
    return tf.zeros((shape[0], shape[1]))