#tf.shape(tensor)和tensor.shape()的區別

a=tf.zeros([4,5,4,6])
print(type(a.shape))
print(a.shape.ndims)#多少個維度
print(a.shape.as_list())#返回列表
print(type(tf.shape(a)))
print(type(tf.shape(a)[0]))
b=a.shape.as_list()
c=tf.shape(a)
b[1]=tf.shape(a)[1]
print(b)
sess=tf.Session()
d=sess.run(c)
print(d)

outputs:
<class 'tensorflow.python.framework.tensor_shape.TensorShape'>
5
[4,6]
<class 'tensorflow.python.framework.ops.Tensor'>
<class 'tensorflow.python.framework.ops.Tensor'>
[4,<tf.Tensor 'strided_slice_1:0' shape=() dtype=int32>,6]
[4 5 4 5 6]

其中tf.shape(tensor)使用的是動態的，即必須要在session中執行後才能顯示出來，但是tensor.shape()是靜態的，即通過定義的shape可以驚天的執行出來。

原因：在我們定義的時候，比如進行placeholder的時候我們可能會定義某些維度為None，在靜態的時候是看不出來的，只能在執行的時候找到維度。

**使用：**可以在獲得某些tensor的維度的時候進行檢驗，防止維度為None。

補充知識：tensorflow.python.framework.tensor_shape.TensorShape 類

TensorShape 是tensorflow中關於張量shape的類（class）.

使用示例如下：

import tensorflow.compat.v1 as tf
from tensorflow.python.framework import tensor_shape
from tensorflow.python.framework import constant_op
 
tensor_test1=[10,10,10]
tensor_test2 = [None,10]
 
p1 = tensor_shape.as_shape(tensor_test1) # 得到的是一個類例項，該類例項包含一個屬性，是 tensor_test1 的value
const = constant_op.constant(p1.as_list())
 
print("type(p1) = ",type(p1))
print("p1 = ",p1) # 使用p1時會自動呼叫p1中的value屬性
print("p1.is_fully_defined() = ",p1.is_fully_defined())# is_fully_defined 是 TensorShape 類的一個內部函式
print("p1.ndims = ",p1.ndims) # ndims 也是TensorShape的一個屬性值
print("p1.as_list() = ",p1.as_list()) # 把TensorShape的value屬性轉換成python中的list型別
print("const = ",const)

結果如下：

type(p1) = <class 'tensorflow.python.framework.tensor_shape.TensorShape'>
p1 = (10,10)
p1.is_fully_defined() = True
p1.ndims = 3
p1.as_list() = [10,10]
const = Tensor("Const:0",shape=(3,),dtype=int32)

以上這篇基於tf.shape(tensor)和tensor.shape()的區別說明就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。