tensorflow中的shape函数理解

在tensorflow中经常用到shape函数

例如

import tensorflow as tf
a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [3,3])
b = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(b)
    print('data=[[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]] , shape = [3,3] ')
    print('display:\n',sess.run(a))
    print('\n')

其中 shape = [3,3]表示一个3*3的二维数据，其组织形式为

[[1. 2. 3.]

[4. 5. 6.]

[7. 8. 9.]]

也可以表示为[[1. 2. 3.] [4. 5. 6.] [7. 8. 9.]]，实质是一样的。

再复杂一点的，例如

a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [3,3,1])

其组织形式为

[[[1.] [2.] [3.]] [[4.] [5.] [6.]] [[7.] [8.] [9.]]]

可以看到每个数据自成一组，这就是 shape = [3,3,1]中最右边的1带来的效果。

对于通用的形式 shape = [s1,s2,s3,s4,s5]，如何理解呢? 

       规则：从右到左分组

举例：

a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3,2])

其组织形式为

[  [ [[1. 2.] [3. 4.] [5. 6.]]  [[7. 8.] [9. 9.] [9. 9.]]  [[9. 9.] [9. 9.] [9. 9.]] ]  ]

根据shape=[1,3,3,2]，从右到左，首先按照每2个数编一组形成group1，再每3个group1组编一组成group2，再每3个group2便一组成group3，最后整个group3又编一个大组group4。所以最外层的方括号有4个。

当数据不够，后续的分组中都以尾数据9.填充，强制形成[1,3,3,2]格式的数组，1*3*3*2共18个数据。

reshape函数也可以参照shape函数进行理解。