TensorFlow：张量形状与 Numpy 数组形状

Question

在 tf.shape() 中，张量的形状与 numpy 数组的形状有何不同？

示例 1：

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]) 
tf.shape(t) 

 <tf.Tensor: shape=(3,), dtype=int32, numpy=array([2, 2, 3], dtype=int32)>

注意张量的形状是(3,)而数组的形状是[2, 2, 3] ：2 行，2 列，每行 3 层深。 (3,)从哪里来？ 为什么第二个维度在 3 之后是None ？

示例 2：

c = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
tf.shape(c)

  <tf.Tensor: shape=(2,), dtype=int32, numpy=array([2, 3], dtype=int32)>

请注意，张量的形状是(2,)匹配数组[2, 3]的[2, 3] 。 为什么它在这里匹配，而在示例 1 中不匹配？

谢谢。

Answer 1

张量的形状由 numpy 数组形状的长度定义。 例如 -

t = tf.constant([[[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]],[[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]]) 
tf.shape(t)

会输出

<tf.Tensor: shape=(4,), dtype=int32, numpy=array([2, 2, 2, 3], dtype=int32)>

要获得张量的大小，请使用

t.shape

反而。