tf.shape(a)和a.get_shape()比较
相同点：都可以得到tensor a的尺寸
不同点：tf.shape()中a 数据的类型可以是tensor, list, array
a.get_shape()中a的数据类型只能是tensor,且返回的是一个元组（tuple）
如果需要根据上一层的动态shape计算当前层的shape，该如何做呢
x=tf.placeholder(tf.float32, shape=[None, 227,227,3] )
但在运行的时候想知道None到底是多少,这时候,只能通过tf.shape(x)[0]这种方式来获得.输出的shape，例如：
out_shape=[tf.shape(x)[0],tf.shape(x)[1],tf.shape(x)[2]tf.shape(x)[3]]
但是tf.shape(x)[0]的值是None，这样是无法直接指定shape的，程序会崩
由于返回的时tensor，所以我们可以使用其他tensorflow节点操作进行处理，如下面的转置卷积中，使用stack来合并各个shape的分量，
| 1 2 3 4 5 6 7 8 9 10 11 | def?conv2d_transpose(x, input_filters, output_filters, kernel, strides):
????with tf.variable_scope('conv_transpose'):
????????shape?=?[kernel, kernel, output_filters, input_filters]
????????weight?=?tf.Variable(tf.truncated_normal(shape, stddev=0.1), name='weight')
????????batch_size?=?tf.shape(x)[0]
????????height?=?tf.shape(x)[1]?*?strides
????????width?=?tf.shape(x)[2]?*?strides
????????output_shape?=?tf.stack([batch_size, height, width, output_filters])
return?tf.nn.conv2d_transpose(x, weight, output_shape, strides=[1, strides, strides,?1], name='conv_transpose')
|
这样就可以将数值和tensor合并转为Tensor，程序就不会报错啦
|