问题:构建计算图时无法动态获取输入tensor的维度
之前用pytorch写完代码之后,想将pytorch代码转换为TensorFlow代码,遇到了这样一个问题:pytorch代码为:
def forward(self, vertex_coordinates1, vertex_coordinates2, vertex_features1, vertex_features2):
N, C = vertex_coordinates1.shape
S, _ = vertex_coordinates2.shape
interpolated_points = torch.sum(index_points(vertex_features2, idx) * weight.view(N, 3, 1), dim=1)
由上述代码可知,这里是想获取输入参数的shape并在后续进行reshape操作,这在pytorch中是可行的,因为在forward函数中可以获取到参数shape具体大小。
但是如果用在TensorFlow中使用这种方法会出现N=none的情况,因为TensorFlow是先构建一个计算图,然后将数据作为输入,所以在后续代码中使用tf.reshape会报错。
错误提示如下:
TypeError: Failed to convert object of type <class 'list'> to Tensor. Contents: [Dimension(None), 128]. Consider casting elements to a supported type.
解决方法:tf.shape(x)
使用tf.shape(x)可以获取session运行时x的shape,修改之后的TensorFlow代码如下:
def apply_regular(self, vertex_coordinates1, vertex_coordinates2, vertex_features1, vertex_features2):
N = tf.shape(input_vertex_features)[0]
C = tf.shape(input_vertex_features)[1]