Question

所以，根据documentation，我们可以使用tf.assign和validate_shape = False来改变形状。它确实改变了变量内容的形状，但是你可以从get_shape（）获得的形状不会更新。例如：

>>> a = tf.Variable([1, 1, 1, 1])
>>> sess.run(tf.global_variables_initializer())
>>> tf.assign(a, [[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1]], validate_shape=False).eval()
array([[1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1]], dtype=int32)
>>> a.get_shape()
TensorShape([Dimension(4)])

令人讨厌的是，网络的后续层将其形状基于此变量的get_shape（）值。因此，即使实际形状是正确的，Tensorflow也会抱怨尺寸不匹配。所以关于如何更新＆＃34;相信＆＃34;每个变量的形状？

Answer 1

简而言之：使用set_shape更新变量的静态形状。

通过阅读TF FAQ：

，您可以了解正在发生的事情

在TensorFlow中，张量具有静态（推断）形状和a 动态（真实）形状。可以使用以下方法读取静态形状 tf.Tensor.get_shape方法：从操作中推断出这种形状用于创建张量的，可能是部分完成的。如果静态形状没有完全定义，Tensor t的动态形状可以通过评估tf.shape(t)来确定。

所以静态形状没有被正确推断，你应该给TF一个提示。幸运的是，同一个FAQ中的下几行告诉你该怎么做：

tf.Tensor.set_shape方法更新Tensor的静态形状物体，通常用于提供额外的形状这个信息无法直接推断出来。它没有改变张量的动态形状。

Answer 2

由于validate_shape设置为false，因此变量的静态形状不会在图形中自动更新。 wrokaround是用新的形状（已知的）

设置它

a = tf.Variable([1, 1, 1, 1], validate_shape=False)
sess.run(tf.global_variables_initializer())
new_arr_assign = np.array([[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1]])
tf.assign(a, new_arr_assign, validate_shape=False).eval(session=sess)
a.set_shape(new_arr_assign.shape)
a.get_shape()
# results: TensorShape([Dimension(2), Dimension(7)])

Tensorflow，更新变量以具有任意形状

2 个答案: