Question

with tf.Session() as sess:
t1 = [
    [[0],[1],[2]],
    [[3],[4],[5]],
]
print(sess.run(tf.shape(t1)))
print(sess.run(tf.concat(t1,1)))
print("**********")
t2 = np.arange(6).reshape([2,3,1])
print(sess.run(tf.shape(t2)))
print(sess.run(tf.concat(t2,1)))

然后显示

[2 3 1]
[[0 3] [1 4] [2 5]]
[2 3 1]
[[[0] [1] [2]] [[3] [4] [5]]]

t1和t2具有相同的形状和值，为什么结果不同？

Answer 1

因为t1是list，而t2不是。{/ p>

tf.concat连接张量列表。因此，t1被视为两个大小为3x1的张量的列表。另一方面，t2是一个numpy数组，转换为单个2x3x1 Tensor，没有其他任何东西可以连接这个张量。

我认为可能让您感到惊讶的是t1根据具体情况有不同的解释。 tf.shape期望Tensor作为参数，而不是张量列表，因此当传递给此函数时，t1被解释为2x3x1张量。

Answer 2

来自tf.concat()的文档页面：

tf.concat(
values,
axis,
name='concat')
...
Concatenates !!the list!! of tensors values along dimension axis,
...
the data from the input tensors is joined along the axis dimension.

tf.concat()将列表的张量作为输入。 t1是一个列表。 tf.shape(t1)将其转换为单个张量并返回其形状。 tf.concat(t1,1)将t1视为列表2对象：[[0],[1],[2]]和[[3],[4],[5]]。它将t1转换为包含2个形状（3,1）张量的列表，将它们连接起来并返回形状的张量（3,2）。要验证这一点，您可以运行以下示例：

with tf.Session() as sess:
  t1 = [
    [[0],[1],[2]],
    [[3],[4],[5]],
  ]

  t100 = [[0],[1],[2]]
  t101 = [[3],[4],[5]]
  print(sess.run(tf.concat(t1,1)))
  # construct a list from t100 and t101
  print(sess.run(tf.concat([t100, t101],1)))

两者都会返回相同的结果。另一方面，t2是一个numpy数组，tf.concat（t2,1），将t2视为包含单个numpy数组的列表，因此不会发生连接，它实质上会返回t2。

Tensorflow-tf.concat（）显示不同的结果

2 个答案: