tf.shape()和getshape的区别

参考资料：https://blog.csdn.net/chenxieyy/article/details/53020760

1，tf.shape(a)和a.get_shape()比较

   相同点：都可以得到tensor a的尺寸

   不同点：tf.shape()中a 数据的类型可以是tensor, list, array

                 a.get_shape()中a的数据类型只能是tensor,且返回的是一个元组（tuple）

2.获取tensor的维度x.get_shape().with_rank(3)，3为tensor维度，返回的还是一个元组和不加的时候一样，如果加了with_rank但维数不对会报错。如果维度错误也会报错

3.tf.stack（）这是一个矩阵拼接的函数（里面传两个值，第一个是要拼接的列表，第二个是从哪个方向拼接，0表示竖直方向，把列表中的对象逐个添加到一个列表中，1表示横着拼接，把元素中的对应值拼接完加到列表中，之多元素对应值都拼接完。），

list_ = [[1, 2, 3], [4, 5, 6]]

print(type(list_))
sess=tf.Session()
a = tf.stack(list_, 0)
print sess.run(a)
a = tf.stack(list_, 1)

print sess.run(a)

[[1 2 3]
 [4 5 6]]
[[1 4]
 [2 5]

 [3 6]]

4.tf.unstack（）则是一个矩阵分解的函数（第一个值传矩阵，第二个值传分解的方向，如果为0将矩阵以竖直方向存放，如果为1将矩阵个列拼接为1个元素，然后存成列表）。

[array([1, 2, 3], dtype=int32), array([4, 5, 6], dtype=int32)]
[array([1, 4], dtype=int32), array([2, 5], dtype=int32), array([3, 6], dtype=int32)]

2，例子：

import tensorflow as tf
import numpy as np

x=tf.constant([[1,2,3],[4,5,6]])
y=[[1,2,3],[4,5,6]]
z=np.arange(24).reshape([2,3,4])

sess=tf.Session()
# tf.shape()
x_shape=tf.shape(x)
y_shape=tf.shape(y)
z_shape=tf.shape(z)
print sess.run(x_shape)
print sess.run(y_shape)
print sess.run(z_shape)

#a.get_shape()

x_shape=x.get_shape()
print x_shape
x_shape=x.get_shape().as_list()
print x_shape
z_shape =z.get_shape()
print z_shape
# y_shape=y.get_shape()  # AttributeError: 'list' object has no attribute 'get_shape'
# z_shape=z.get_shape()  # AttributeError: 'numpy.ndarray' object has no attribute 'get_shape'

而list，numpy的对象是没有getshape的属性的，只有tensor有getshape.

getshape()返回一个元组，通过aslist()方法可以把一个元组转为list

x_shape=x.get_shape()
print x_shape

x_shape=x.get_shape().as_list()

(2, 3)
[2, 3]