tf.shape()和tf.reshape()

最新推荐文章于 2025-06-24 09:46:12 发布

原创最新推荐文章于 2025-06-24 09:46:12 发布 · 4.3k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#tf.shape() #tf.reshape()

Tensorflow 专栏收录该内容

7 篇文章

订阅专栏

本文详细介绍了TensorFlow中tf.shape()和tf.reshape()函数的使用方法。tf.shape()用于获取张量的形状并返回一个张量，而tf.reshape()则用于改变张量的形状。通过具体实例展示了如何应用这两个函数来处理不同维度的张量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、tf.shape()

tf.shape(input,name=None,out_type=tf.int32)

参数

（1）input：输入张量或稀疏张量；

（2）name：命名；

（3）out_type：默认tf.int32类型；

输出

返回out_type类型张量。

例子：将矩阵的维度输出成一个维度的矩阵

import tensorflow as tf
import numpy as np

A = np.array([[[1, 1, 1],
               [2, 2, 2]],
              [[3, 3, 3],
               [4, 4, 4]],
              [[5, 5, 5],
               [6, 6, 6]]])
t = tf.shape(A)
with tf.Session() as sess:
    print(sess.run(t))

import tensorflow as tf
import numpy as np

A = np.array([[[1, 1],
               [2, 2]],
              [[3, 3],
               [4, 4]]])
t = tf.shape(A)
with tf.Session() as sess:
    print(sess.run(t))

二、tf.reshape()

tf.reshape(tensor,shape,name=None)

参数

（1）tensor：输入张量；

（2）shape：列表形式，可以存在-1；

-1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1；

（3）name：命名；

输出

将tensor变换为参数shape的形式。

例子

import numpy as np
a= np.array([0,1,2,3,4,5,6,7])
print('a=',a)

b = a.reshape((2,4))
print('b=',b)

c = a.reshape((2,2,2))
print('c=',c)