作者： Sam (甄峰)
sam_code@hotmail.com
![]()
TensorFlow中的数据以张量(Tensor)形式出现，张量(Tensor)可以看成一个多维数组。而shape则代表张量的形状。rank则表示Tensor的维度
1. tf.shape()讲解：
tf.shape(
input,
name=None,
out_type=tf.dtypes.int32
)
这个函数获取参数一(input)这个张量的形状(shape),并以整形一维array的形式提供出来。
这个形状比较特别，需要仔细查看, 以下为例子：
import tensorflow as tf
print("SamInfo")
c1 = tf.constant(value=[[[2., 4., 5.,4.],[3.,5.,
5.,4.],[3.,5., 5.,4.]], [[2., 4., 5.,4.],[3.,5., 5.,4.], [3.,5.,
5.,4.]]], dtype=tf.float32)
c2 = tf.constant([[2], [2]] )
c3 = tf.constant([1,2,3,4])
with tf.Session() as sess:
print
(sess.run(tf.shape(c1)))
print
(sess.run(tf.shape(c2)))
print(sess.run(tf.shape(c3)))
输出为：
SamInfo [2 3 4] [2 1] [4]
解释如下：
c3 = tf.constant([1,2,3,4])
c3这个常量是：[1,2,3,4]组成。在[]最外层，有4个单元，则shape为[4]
c2 = tf.constant([[2], [2]] )
c2这个常亮，最外层[]内有两个单元，而每个单元内，又各自有一个单元。所以shape为[2 1]
c1 = tf.constant(value=[[[2., 4., 5.,4.],[3.,5., 5.,4.],[3.,5., 5.,4.]], [[2., 4., 5.,4.],[3.,5., 5.,4.], [3.,5., 5.,4.]]], dtype=tf.float32)
c3这个常亮，最外层[]内有两个单元，而每个单元内，又各自有3个单元。最内层单元内，则有4个单元。所以shape为[2 3 4]
2. shape的使用：
2.1. 直接输入1-D array.
import tensorflow as tf
v2 = tf.random_uniform([3,3,2], minval= -1, maxval=1) init = tf.global_variables_initializer()
with tf.Session() as sess: sess.run(init) print("Tensor is:", sess.run(v2))
将出现3个单元，每个单元又3个单元，最小的单元包含2个数字。
Tensor is: [[[-0.84239459 -0.64019585] [-0.20693684 0.61758161] [-0.39858079 -0.55873823]] [[ 0.63348198 0.6409862 ] [ 0.59288216 -0.47363114] [-0.80493784 0.34760666]] [[-0.63808179 -0.62189484] [-0.97743845 0.87292027] [-0.83223104 0.27168941]]]
2.2. 直接仿照其它Tensor的shape.
v2 = tf.random_uniform([3,3,2], minval= -1, maxval=1)
v3 = tf.zeros(tf.shape(v2))
3. Tensor的rank:
Tensor类似一个多维数组，那它的维度，就有rank表示。
c1 = tf.constant(value=[[[2., 4., 5.,4.],[3.,5., 5.,4.],[3.,5., 5.,4.]], [[2., 4., 5.,4.],[3.,5., 5.,4.], [3.,5., 5.,4.]]], dtype=tf.float32)
print ("C1 is:",sess.run(tf.shape(c1)), "rank is:", sess.run(tf.rank(c1)))
C1 is: [2 3 4] rank is: 3
表明它是个3-D Tensor。
