在Tensorflow中使用tf.expand_dims和tf.newaxis有什么区别？

Question

嗨，我是Tensorflow的新手。
我想更改Tensor的尺寸，我发现了3种方法来实现这一点，如下所示：

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

# change dimention of a to (2,3,1)
b = tf.expand_dims(a,2)   # shape(2,3,1)
c = a[:,:,tf.newaxis]     # shape(2,3,1)
d = tf.reshape(a,(2,3,1)) # shape(2,3,1)

这3种方法之间是否有任何区别，例如在性能方面？
我应该使用哪种方法？

Answer 1

这三者之间并没有真正的区别，但有时其中一个可能更方便：

• tf.expand_dims(a, 2)：在您要添加一个尺寸且其索引为变量（例如，另一个TensorFlow操作或某些函数参数的结果）时方便。根据您的风格，您可能会发现它更具可读性，因为它清楚地表达了添加尺寸的意图。
• a[:,:,tf.newaxis]：我个人经常使用它，是因为我觉得它可读（也许是因为我习惯于NumPy），尽管并非在每种情况下都如此。如果要添加多个尺寸（而不是多次调用tf.expand_dims），则特别方便。另外（很明显），如果您想切片并同时添加新尺寸。但是，它不适用于可变轴索引，并且如果您有很多尺寸，tf.expand_dims可能会减少混乱。
• tf.reshape(a,(2,3,1))：就我个人而言，我很少或从未使用它仅添加尺寸，因为它要求我知道并指定所有（或除一个以外的所有尺寸）剩余尺寸，并且在阅读时可能会产生误导代码。但是，如果需要重塑形状并添加尺寸，通常会在同一操作中完成。