如何理解TensorFlow中的静态形状和动态形状？

Question

在TensorFlow FAQ中，它说：

在TensorFlow中，张量既有静态（推断）形状，也有动态（真实）形状。可以使用tf.Sensor读取静态形状。get_shape（）方法：此形状是从用于创建张量的操作中推断出来的，可能部分完成。如果静态形状没有完全定义，可以通过计算tf.shape（t）来确定张量t的动态形状。

但我仍然不能完全理解静态形状和动态形状之间的关系。有没有例子表明他们的差异？谢谢

Answer 1

在上面的回答中，它被很好地定义了。还有一些我经历过的观察，所以我想分享一下。

tf.传感器。get_shape（）可用于使用创建输出的操作推断输出，这意味着我们可以不使用sess推断输出。run（）（运行操作），正如名称所暗示的，static shape。例如

c=tf.随机_均匀（[1,3,1,1]）

是一个 tf。张量，在运行图形之前，我们想知道它在代码中的任何一步的形状，所以我们可以使用

c.get_shape()

tf.传感器的原因。get_shape不能是动态的（sess.run（））是因为输出类型是TensorShape而不是tf。张量，输出TensorShape会限制sess.run（）的使用。

c.get_shape（））

如果这样做，我们会得到一个错误，即TensorShape的类型无效，它必须是Tensor/操作或字符串。

另一方面，动态形状需要通过sess.run()运行操作来获得形状

sess.运行（tf.形状（c））

输出：数组（[1,3,1,1]）

或者

sess.run（c）.shape

（1， 3， 1， 1） # 元组

希望有助于澄清张量流概念。

Answer 2

Tensorflow 2.0兼容回答:提及mrry在他的回答中已经指定的代码，在< Code > tensor flow 2 . x版(

# Installing the Tensorflow Version 2.1
!pip install tensorflow==2.1

# If we don't Disable the Eager Execution, usage of Placeholder results in RunTimeError

tf.compat.v1.disable_eager_execution()

x = tf.compat.v1.placeholder(tf.int32, shape=[4])
print(x.get_shape())

# ==> 4

y, _ = tf.unique(x)
print(y.get_shape())

# ==> (None,)

sess = tf.compat.v1.Session()
print(sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape)
# ==> '(4,)'
print(sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape)
# ==> '(1,)'

z = tf.shape(y)
print(sess.run(z, feed_dict={x: [0, 1, 2, 3]}))
# ==> [4]
print(sess.run(z, feed_dict={x: [0, 0, 0, 0]}))
# ==> [1]

Answer 3

有时张量的形状取决于运行时计算的值。让我们以下面的示例为例，其中x被定义为tf。placeholder（）vector，包含四个元素：

x = tf.placeholder(tf.int32, shape=[4])
print x.get_shape()
# ==> '(4,)'

x的值。get_shape（）是x的静态形状，（4，4）表示它是一个长度为4的向量。现在让我们应用 op到 x

y, _ = tf.unique(x)
print y.get_shape()
# ==> '(?,)'

<代码>(，)表示< code>y是一个未知长度的向量。为什么不为人知？< code>tf.unique(x)返回来自< code>x的唯一值，而< code>x的值是未知的，因为它是一个< code>tf.placeholder()，所以在您输入它之前它没有值。让我们看看如果输入两个不同的值会发生什么:

sess = tf.Session()
print sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape
# ==> '(4,)'
print sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape
# ==> '(1,)'

希望这表明张量可以有不同的静态和动态形状。动态形状始终是完全定义的，它没有<代码>dimensions，但静态形状可能不那么具体。这使得TensorFlow能够支持tf之类的操作。unique（）和tf。dynamic_partition（），它可以有可变大小的输出，并在高级应用程序中使用。

最后，< code>tf.shape() op可用于获取张量的动态形状，并在张量流计算中使用它:

z = tf.shape(y)
print sess.run(z, feed_dict={x: [0, 1, 2, 3]})
# ==> [4]
print sess.run(z, feed_dict={x: [0, 0, 0, 0]})
# ==> [1]