Tensorflow -tf.shape(a)和a.get_shape()

https://www.jianshu.com/p/2b88256ad206

tf中有两对方法比较容易混淆，涉及的是shape问题，在此做一些区分。
首先说明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，由创建这个tensor的op推断（inferred）得来，故又称inferred shape。如果该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，返回是元组。
x.get_shape().as_list()是一个常用方法，经常被用于将输出转为标准的python list。
关于static shape的样例示范如下：

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

get_shape()返回了x的静态类型，4代指x是一个长度为4的向量。需要注意，get_shape()不需要放在session中即可运行。
与get_shape()不同，tf.shape()的示例代码如下：

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

通过此代码体会两种shape的不同，需要注意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。

#####################################################################################

两种方法都可以获得变量的shape

tf.shape(x)

其中x可以是tensor，也可不是tensor，返回是一个tensor.

shape=tf.placeholder(tf.float32, shape=[None, 227,227,3] )

• 1

我们经常会这样来feed数据,如果在运行的时候想知道None到底是多少,这时候,只能通过tf.shape(x)[0]这种方式来获得.

tensor.get_shape()

只有tensor有这个方法， 返回是一个tuple

####################################################################

tf.shape(xxx) 和 xxx.get_shape()比较

1. 相同点：都可以得到tensor xxx 的尺寸
2. 不同点：tf.shape(xxx)中xxx数据的类型可以是tensor,list,array；而xxx.get_shape()中的xxx的数据类型必须是tensor,且返回的是一个tuple.可以通过xxx.get_shape().as_list()得到一个list。

例如：

x= tf.truncated_normal([32, 32, 3], dtype=tf.float32)

print(tf.shape(x))
print(x.get_shape())
print(x.get_shape().as_list())

• 1
• 2
• 3
• 4
• 5

输出：

Tensor("Shape:0", shape=(3,), dtype=int32)
(32, 32, 3)
[32, 32, 3]

• 1
• 2
• 3

注意：dtype=int32是tf.shape()这个op的输出类型，默认为tf.int32。