placeholder 张量维数 张量的shape

下面是重点：

shape中元素的个数 = 张量的维数 = 张量对应的值的中括号的组数。
如x = K.placeholder(shape=(2,3,4))。表示：
x有3维；
第一维（第一组中括号）含有2个元素；
第二维（第二组中括号）含有3个元素；
第三维（第三组中括号）含有4个元素；

因此在运行session时，x需要喂入的数据需要满足以上条件，程序如下：

from keras import backend as K
import tensorflow as tf
import numpy as np

x = K.placeholder(shape=(2,3,4),dtype=tf.int32)

sess = tf.Session()
sess.run(x, feed_dict = {x:np.ones(shape=(2,3,4))})
sess.close()

运行结果如下：

array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])

---

正文开始，总结在最后

from keras import backend as K
import tensorflow as tf

sess = tf.Session()

a1 = K.placeholder(shape = (1,3))
a2 = K.placeholder(shape = (3,)) 
# 此处填写(3,)与(3)均可。但(3,) != 3, 而(3) == 3。故(3,)与(3)含义不同

a11, a22 = sess.run([a1, a2], feed_dict = {a1:[[6,7,8]], a2:[6,7,8]})

print("a11:{}".format(a11),"a22:{}".format(a22),sep='\n')
#a11:[[6. 7. 8.]]
#a22:[6. 7. 8.]

a11.shape
#(1, 3)
a22.shape
#(3,)
K.shape(a11)
#<tf.Tensor 'Shape_2:0' shape=(2,) dtype=int32>
K.shape(a22)
#<tf.Tensor 'Shape_3:0' shape=(1,) dtype=int32>

sess.run(K.shape(a11))
#array([1, 3])
sess.run(K.shape(a22))
#array([3])

sess.close()

总结：

1.建立张量的方式：

K.placeholder(dtype=tf.int32,shape = (1,3)) 其中，shape是元组

shape中元素的个数 = 张量的维数 = 张量对应的值的中括号的组数。
张量至少有一维，张量对应的值至少有一组中括号

如a1是二维张量，而a2是一维张量。故a1、a2运行后对应的值分别有2组中括号和1组中括号。

2.a11.shape和K.shape(a11)不同。
其中a11.shape是元组，可以直接显示shape。即显示a11的维数及各维的个数。

而K.shape(a11)是张量，无法直接显示shape。只能显示a11的维数。只有当K.shape()这个张量运行session后，才可以显示shape。即显示a11的维数及各维的个数。

故a11.shape会显示a11有2维，并且第一维的个数是1，第二维的个数是3.

而K.shape(a11)（K.shape()返回的永远是一个一维张量）这个张量由于还没有运行session，因此还没有值。只会显示此张量第一维的个数是2。含义是a11有2个维数。

当运行session后，K.shape(a11)这个张量将拥有值，显示为一个一维张量：array([1, 3])。含义是a11有2维，并且第一维的个数是1，第二维的个数是3.