Question

我试图了解tf.reshape的工作原理。让我们举个例子：

embeddings = tf.placeholder(tf.float32, shape=[N0,N1])
M_2D = tf.placeholder(tf.float32, shape=[N0,None])
M_3D = tf.reshape(M_2D, [-1,N0,1])
weighted_embeddings = tf.multiply(embeddings, M_3D)

这里我有一个2D张量M_2D，其列表示维度N1的N0嵌入的系数。我想创建一个3D张量，其中M_2D的每一列都位于M_3D的第一维中，并且各列保持相同的顺序。我的最终目标是创建2D嵌入的3D张量，每个张量由M_2D的列加权。

如何确定重塑实际上将每一列放置在M_3D的新维度中。是否可以代替放置行？在tensorflow文档中是否有明确的解释tf.reshape的内部工作过程，特别是在提供-1的情况下？

Answer 1

tf.reshape前后的张量具有相同的展平顺序。

在tensorflow运行时中，一个Tensor由原始数据（字节数组），shape和dtype组成，tf.reshape仅更改形状，而原始数据和dtype不变。 -1中的None或tf.reshape表示可以计算该值。

例如，

# a tensor with 6 elements, with shape [3,2]
a = tf.constant([[1,2], [3,4], [5,6]]) 
# reshape tensor to [2, 3, 1], 2 is calculated by 6/3/1
b = tf.reshape(a, [-1, 3, 1])

在此示例中，a和b具有相同的展平顺序，即[1,2,3,4,5,6]，a的形状为[3,2]，其值为{{ 1}}，[[1,2], [3,4], [5,6]]的形状为b，其值为[2,3,1]。

tf.reshape（）如何在内部工作？

1 个答案: