最近在看TensorFlow的程式碼，還是1.14版本的TensorFlow的，程式碼難度確實比pytorch的難上不是多少倍，pytorch的程式碼看一遍基本能看懂個差不多，TensorFlow的程式碼看一遍沒懂，再看一遍還沒懂，再看一遍呢，還沒懂，不過這時候基本也就快崩潰了。

記錄一個剛學到的TensorFlow的知識點，那就是對TensorFlow中的tensor取shape操作時需要注意的事項，也就是說有一個TensorFlow的tensor，它是由placeholder生成的，使用程式碼如下：

import tensorflow as tf
import numpy as np


num_actions 
 
= 5

p=tf.placeholder(shape=(None, 4), dtype=np.int8)
batch_size = tf.shape(p)[0]

random_actions = tf.random_uniform(tf.stack([batch_size]), minval=0, maxval=num_actions, dtype=tf.int64)

with tf.Session() as sess:
    print( sess.run(random_actions, {p:np.array([[1,1,1,1], [2,2,2,2], [3,3,3,3], [4,4,4,4]])}) )

執行後結果：

import tensorflow as tf
import numpy as np


num_actions = 5

p=tf.placeholder(shape=(None, 4), dtype=np.int8)
# batch_size = tf.shape(p)[0]
batch_size = p.shape[0]

random_actions = tf.random_uniform(tf.stack([batch_size]), minval=0, maxval=num_actions, dtype=tf.int64)

with tf.Session() as sess:
    
 
print( sess.run(random_actions, {p:np.array([[1,1,1,1], [2,2,2,2], [3,3,3,3], [4,4,4,4]])}) )

執行結果：（報錯）

兩個程式碼的區別就是對於一個placeholder生成的tensor，對它取某個維度，如果它的某個維度在定義時並沒有賦值，也就是使用了None數值來佔位，那麼再構建神經網路時用到了這個維度如果取這個維度是用tensorflow的函式來取和直接呼叫這個tensor的shape來取會有不同的效果的。

如果是使用TensorFlow的函式，tf.shape來取，這個維度及時沒有賦值也是會一個TensorFlow的變數存在的：

可以知道取這個維度的變數本身也就是一個tensor變數，即時這個變數的數值並不清楚（因為它是由None佔位生成的），這個tensor變數也是可以進行下一步操作的。

但是如果使用p.shape[0]的方式，那麼取出的其實是一個python變數而不是tensor變數，而這個python變數內部儲存的數值是None，而這個數值是不能參與TensorFlow中的神經網路構建的：

因此，上面的第二個程式碼執行時會報錯。

==================================================================

修改程式碼：

import tensorflow as tf
import numpy as np


num_actions = 5

p=tf.placeholder(shape=(None, 4), dtype=np.int8)
batch_size = tf.shape(p)[1]

random_actions = tf.random_uniform(tf.stack([batch_size]), minval=0, maxval=num_actions, dtype=tf.int64)

with tf.Session() as sess:
    print( sess.run(random_actions, {p:np.array([[1,1,1,1], [2,2,2,2], [3,3,3,3], [4,4,4,4]])}) )

import tensorflow as tf
import numpy as np


num_actions = 5

p=tf.placeholder(shape=(None, 4), dtype=np.int8)
# batch_size = tf.shape(p)[0]
# batch_size = p.shape[0]
batch_size = p.shape[1]

random_actions = tf.random_uniform(tf.stack([batch_size]), minval=0, maxval=num_actions, dtype=tf.int64)

with tf.Session() as sess:
    print( sess.run(random_actions, {p:np.array([[1,1,1,1], [2,2,2,2], [3,3,3,3], [4,4,4,4]])}) )

上面的這兩個程式碼均可以正常執行。

這說明python的數值是可以參與TensorFlow的神經網路構建的，只不過None是不可以參與TensorFlow的網路構建的，如果某個tensor的維度是由placeholder的None生成的，我們只能使用tf.shape的方式來取，這樣取到的則為還沒有賦值的tensor變數而不是None的python變數。

========================================