Question

我正在尝试查看tf.rank（），tf.shape（）和tf.size（）的输出，但即使是一个简单的列表，我也得到了奇怪的结果：

   t = [[1, 2, 3], [4, 5, 6], [7, 8, 9], [2, 3, 4]]

以下是结果的样子：

   In [451]: tf.shape(t)
   Out[451]: <tf.Tensor 'Shape_11:0' shape=(2,) dtype=int32>

   In [452]: tf.size(t)
   Out[452]: <tf.Tensor 'Size_5:0' shape=() dtype=int32>

   In [453]: tf.rank(t)
   Out[453]: <tf.Tensor 'Rank_4:0' shape=() dtype=int32>

你能解释一下如何解读这些吗？

由于

Answer 1

您正在打印tf.shape(t)，tf.size(t)和tf.rank(t)的形状（张量，而非结果。

相反，创建一个会话并评估它们：

t = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9], [2, 3, 4]])
sess = tf.Session()

print sess.run(tf.shape(t))
print sess.run(tf.size(t))
print sess.run(tf.rank(t))

Answer 2

让我们只看第一个输出。

In [451]: tf.shape(t)
Out[451]: <tf.Tensor 'Shape_11:0' shape=(2,) dtype=int32>

tf.shape在计算图中添加一个op并返回张量。

此张量的名称为Shape_11:0，其中

Shape是生成此张量后跟
_<n>其中<n>是相同种类的操作数图（调用tf.shape）。 :<idx>是生成它的操作的输出中的张量的索引。

此张量的shape为(2,)，因此它是一个二维张量。

此张量的type为int32。

其他2个操作产品张量也是如此。按照上一个推理，你可以理解他们的输出。

这是你输出的解释。顺便说一句，如果您想获得操作的结果，您必须将操作评估为Olivier Moindrot中指出的his answer会话。

了解Tensorflow的形状，等级和大小

2 个答案: