Tensorflow中的reshape、set_shape的区别!!!

Tensorflow中的reshape、set_shape的区别!!!

讨论reshape与set_shape的区别之前,我们首先需要知道dynamic shape和static shape的区别:

Tensorflow在构建图的时候，tensor的shape被称为static(inferred)；而在实际运行中，常常出现图中tensor的具体维数不确定而用placeholder代替的情况，因此static shape未必是已知的。tensor在训练过程中的实际维数被称为dynamic shape，而dynamic shape是一定的。

import tensorflow as tf
x1 = tf.placeholder(tf.int32)
print(x1.get_shape())
 
sess = tf.Session()
print(sess.run(tf.shape(x1), feed_dict={x1:[0,1,2,3]}))
print(sess.run(tf.shape(x1), feed_dict={x1:[[0,1],[2,3]]}))

结果为:

unknown 
[4] 
[2,2]

第一个结果代表构建图时x1的shape，此时它是未知的，尽管在Session中运行了以后给出了[0,1,2,3]的传入值，但无法改变图中的x1的static shape。而后面的print也可以看到，随着传入值的不同，x1的dynamic shape是会变化的。

get_shape()方法和tf.shape()的区别，get_shape()是tensor的方法，返回一个tuple，而tf.shape()则返回一个tensor。第三行的unknown直接代表了x1的shape数组，假如我们这里用：

print(tf.shape(x1))

shape返回值是一个tensor,而get_shape返回的是一个tuple.因此，我们在获取x1的shape的时候，要用tf.shape方法，让指针指向一个tensor，不然使用get_shape()指针就会指向一个tuple从而报错。

下面说下set_shape()和reshape()的区别。其实从官方说明中可以看出，这两个主要是适用场合的区别，前者用于更新图中某个tensor的shape，而后者则往往用于动态地创建一个新的tensor。

一个set_shape的典型用法如下：

import tensorflow as tf
x1 = tf.placeholder(tf.int32)
x1.set_shape([2，2])
print(x1.get_shape())
 
sess = tf.Session()
#print(sess.run(tf.shape(x1), feed_dict={x1:[0,1,2,3]}))
print(sess.run(tf.shape(x1), feed_dict={x1:[[0,1],[2,3]]}))

(2,2) 
[2,2]

这代表了图中最开始没有shape的x1在使用了set_shape后，它的图中的信息已经改变了，如果取消掉注释就会报错，因为我们传入了和图不符合的参数。

reshape的典型用法则是这样：

import tensorflow as tf
x1 = tf.placeholder(tf.int32)
x2 = tf.reshape(x1, [2,2])
print(x1.get_shape())
 
sess = tf.Session()
print(sess.run(tf.shape(x2), feed_dict={x1:[0,1,2,3]}))
print(sess.run(tf.shape(x2), feed_dict={x1:[[0,1],[2,3]]}))

(2,2) 
[2,2] 
[2,2]

即它并不是想改变图，而只是想创造一个新的tensor以供我们使用。

但是reshape能否和set_shape有着相同的用法，即用来改变图？我们试着修改上面的代码：

import tensorflow as tf
x1 = tf.placeholder(tf.int32)
x1 = tf.reshape(x1, [2,2]) # use tf.reshape()
print(tf.shape(x1))
 
sess = tf.Session()
#print(sess.run(tf.shape(x1), feed_dict={x1:[0,1,2,3]}))
print(sess.run(tf.shape(x1), feed_dict={x1:[[0,1],[2,3]]}))

经测试，reshape后x1的shape也发生了变化，注释不取消仍然会有报错现象。

那么set_shape和reshape的用法是否完全一样呢？还是有一定差别的。

reshape可以改变原有tensor的shape，而set_shape只能更新信息没办法直接改变值，可以参考下面的程序：

import tensorflow as tf
x1 = tf.Variable([[0, 1], [2, 3]])
print(x1.get_shape())
 
x1 = tf.reshape(x1, [4, 1]) # if we use x1.set_shape([4, 1]),the program cannot run
print(x1.get_shape())

最后总结一下，reshape应用场合比较广泛，当我们需要创建新的tensor或者动态地改变原有tensor的shape的时候可以使用；而当我们只是想更新图中某个tensor的shape或者补充某个tensor的shape信息可以使用set_shape来进行更新。