shape相关函数: tf.shape(), x.get_shape().as_list(), x.shape.as_list(), tf.set_shape()和tf.reshape()

https://blog.csdn.net/gqixf/article/details/82769174
https://blog.csdn.net/ch1209498273/article/details/78773421
x.get_shape().as_list(): x必须为tensor, get_shape(), 返回tuple, 用as_list()转换为list
x.shape.as_list():x必须为tensor, x.shape()返回tuple
tf.shape():是一个op, 必须sess.run, 返回list,
tf.set_shape(): 更新tensor的 static shape，不改变dynamic shape。
tf.reshape(): 创建一个具备不同 dynamic shape的新的tensor.

在TensorFlow中，涉及到shape的问题比较容易混淆，为此，在这里做一下区分，简单的汇总一下。

首先要说明一点，tf中tensor有两种shape，分别为static (inferred) shape 和 dynamic (true) shape，其中 static shape 用于构建图，是由创建这个tensor的op推断(inferred)得来，故又称 inferred shape。如果这个tensor的static shape未定义，则可用 tf.shape() 来获得其 dynamic shape。

1. 区分 x.get_shape() 和 x = tf.shape(x)

x.get_shape()返回 static shape，只有tensor有这个方法，返回的是元组。

x.get_shape().as_list() 是一个常用的方法，经常被用于将输出转为标准的python list。

关于 static shape 的样例如下所示：

[python]  view plain  copy

1. x = tf.placeholder(tf.int32, shape = [4])  
2. print(x.get_shape())  
3. # ==> '(4,)'  

     get_shape() 返回了x 的静态类型，4指代 x 是一个长度为 4 的向量。

需要注意的是，get_shape()不需要放在Session中即可运行。

tf.shape() 与get_shape() 不同，示例如下所示：

[python]  view plain  copy

1. y, _ = tf.unique(x)  
2. print(y.get_shape())  
3. # ==> '(?, )'  
4. sess = tf.Session()  
5. print(sess.run(y, feed_dict = {x: [0, 1, 2, 3]}).shape)  
6. #==> '(4, )'  
7. print(sess.run(y, feed_dict = {x: [0, 0, 0, 0]}).shape)  
8. #==> '(1, )'  

通过这两个示例就可以看出两种shape方法的不同之处，需要注意的是tf.shape()需要在session中运行。

2. 区分 x.set_shape() 和 tf.reshape()

set_shape更新tensor的 static shape，不改变 dynamic shape。reshape 创建一个具备不同 dynamic shape 的新的tensor.