精华内容
下载资源
问答
  • a1 = K.placeholder(shape = (1,3)) a2 = K.placeholder(shape = (3,)) # 此处填写(3,)与(3)均可。但(3,) != 3, 而(3) == 3。故(3,)与(3)含义不同 a11, a22 = sess.run([a1, a2], feed_dict = {a1:[[6,7,8]],

    下面是重点:

    shape中元素的个数 = 张量的维数 = 张量对应的值的中括号的组数。
    如x = K.placeholder(shape=(2,3,4))。表示:
    x有3维;
    第一维(第一组中括号)含有2个元素;
    第二维(第二组中括号)含有3个元素;
    第三维(第三组中括号)含有4个元素;

    因此在运行session时,x需要喂入的数据需要满足以上条件,程序如下:

    from keras import backend as K
    import tensorflow as tf
    import numpy as np
    
    x = K.placeholder(shape=(2,3,4),dtype=tf.int32)
    
    sess = tf.Session()
    sess.run(x, feed_dict = {x:np.ones(shape=(2,3,4))})
    sess.close()
    

    运行结果如下:

    array([[[1, 1, 1, 1],
    [1, 1, 1, 1],
    [1, 1, 1, 1]],
    [[1, 1, 1, 1],
    [1, 1, 1, 1],
    [1, 1, 1, 1]]])


    正文开始,总结在最后

    from keras import backend as K
    import tensorflow as tf
    
    sess = tf.Session()
    
    a1 = K.placeholder(shape = (1,3))
    a2 = K.placeholder(shape = (3,)) 
    # 此处填写(3,)与(3)均可。但(3,) != 3, 而(3) == 3。故(3,)与(3)含义不同
    
    a11, a22 = sess.run([a1, a2], feed_dict = {a1:[[6,7,8]], a2:[6,7,8]})
    
    print("a11:{}".format(a11),"a22:{}".format(a22),sep='\n')
    #a11:[[6. 7. 8.]]
    #a22:[6. 7. 8.]
    
    a11.shape
    #(1, 3)
    a22.shape
    #(3,)
    K.shape(a11)
    #<tf.Tensor 'Shape_2:0' shape=(2,) dtype=int32>
    K.shape(a22)
    #<tf.Tensor 'Shape_3:0' shape=(1,) dtype=int32>
    
    sess.run(K.shape(a11))
    #array([1, 3])
    sess.run(K.shape(a22))
    #array([3])
    
    sess.close()
    

    总结:

    1.建立张量的方式:

    K.placeholder(dtype=tf.int32,shape = (1,3)) 其中,shape是元组

    shape中元素的个数 = 张量的维数 = 张量对应的值的中括号的组数。
    张量至少有一维,张量对应的值至少有一组中括号

    如a1是二维张量,而a2是一维张量。故a1、a2运行后对应的值分别有2组中括号和1组中括号。

    2.a11.shape和K.shape(a11)不同。
    其中a11.shape是元组,可以直接显示shape。即显示a11的维数及各维的个数。

    而K.shape(a11)是张量,无法直接显示shape。只能显示a11的维数。只有当K.shape()这个张量运行session后,才可以显示shape。即显示a11的维数及各维的个数。

    故a11.shape会显示a11有2维,并且第一维的个数是1,第二维的个数是3.

    而K.shape(a11)(K.shape()返回的永远是一个一维张量)这个张量由于还没有运行session,因此还没有值。只会显示此张量第一维的个数是2。含义是a11有2个维数。

    当运行session后,K.shape(a11)这个张量将拥有值,显示为一个一维张量:array([1, 3])。含义是a11有2维,并且第一维的个数是1,第二维的个数是3.

    展开全文
  • def combined_static_and_dynamic_shape(tensor): """Returns a list containing static and dynamic values for the dimensions. Returns a list of static and dynamic values for shape ...
    def combined_static_and_dynamic_shape(tensor):
      """Returns a list containing static and dynamic values for the dimensions.
    
      Returns a list of static and dynamic values for shape dimensions. This is
      useful to preserve static shapes when available in reshape operation.
    
      Args:
        tensor: A tensor of any type.
    
      Returns:
        A list of size tensor.shape.ndims containing integers or a scalar tensor.
      """
      static_tensor_shape = tensor.shape.as_list()
      dynamic_tensor_shape = tf.shape(tensor)
      combined_shape = []
      for index, dim in enumerate(static_tensor_shape):
        if dim is not None:
          combined_shape.append(dim)
        else:
          combined_shape.append(dynamic_tensor_shape[index])
      return combined_shape
    predictions.get_shape().assert_is_compatible_with(labels.get_shape())
    展开全文
  • 个人总结: 以下是juppyter notebook下实验:

    在这里插入图片描述
    在这里插入图片描述

    个人总结:

    在这里插入图片描述

    以下是juppyter notebook下的实验:

    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 在keras网络中,如果用layer_name.shape的方式获取shape信息将会返还tensorflow.python.framework.tensor_shape.TensorShape其中包含是tensorflow.python.framework.tensor_shape.Dimension 正确方式是使用 ...

    在keras的网络中,如果用layer_name.shape的方式获取shape信息将会返还tensorflow.python.framework.tensor_shape.TensorShape

    其中包含的是tensorflow.python.framework.tensor_shape.Dimension

    正确的方式是使用
    import keras.backend as K
    K.int_shape(laye_name)
    ————————————————
    版权声明:本文为CSDN博主「weixin_39165863」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
    原文链接:https://blog.csdn.net/weixin_39165863/article/details/90715965

    展开全文
  • > All shapes must be fully defined: [TensorShape([Dimension(None)]), TensorShape([Dimension(None)])] 不同音频和不同label长度差距较大,无法补成定长,请问还有别方式使用shuffle\_batch吗
  • 区分张量的shape、dim、length和size

    千次阅读 2020-02-27 13:58:59
    shape:即张量的shape。从前往后对应由外向内的维度。 size:同shape。 length:代表序列长度,有多少个元素。 dim:代表张量的维度。 [[1],[2],[3]] 这个张量的shape为(3,1) [[[1,2],[3,4]],[[5,6],[7,8]],[...
  • 张量shape、input_shape、秩

    千次阅读 2018-05-02 10:06:58
    张量(tensor):一种数据类型,矩阵的推广。 0阶:一个数,例如[2]; 1阶:一列数,类似列表,例如[1,2,3,4]; 2阶:矩阵,例如[[1,2,3],[2,3,4]];...input_shape/shape张量的形状,即每一阶...
  • tensor怎么理解 ...shape参数个数应为维度数,每一个参数值代表该维度上长度,例如:shape=(1,2,4)表示有3维,一维长度1,二维长度2,三维长度4 维度长度,就是左数第几个中括号组之间元素...
  • Pytorch-2:张量关于shape的操作

    千次阅读 2020-01-10 18:04:17
    print(t.reshape(1,12).squeeze().unsqueeze(dim=0).shape) -> torch.Size([1, 12]) flatten() Conv卷积层->FC全连接,中间需要使用flatten(),将每张图片转为一维。 def flatten(t): t = t.reshape(1, -1) ...
  • 理解张量及张量的Rank和Shape

    千次阅读 2019-04-25 10:35:53
    理解张量及张量的Rank和Shape 入门TensorFlow的第一道拦路虎就是对Tensor的理解。 以下是我在理解张量的过程中的一些总结。 什么是张量 这是bilibili搬运youtube的一个视频,很直观的解释了张量的含义。 张量...
  • 标题关于tensorflow中张量维度—Shape参数理解 关于tensorflow中张量维度—Shape参数理解
  • 张量的阶、形状、数据类型 TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通. 阶 在TensorFlow...
  • 之前一直弄混张量的维度和shape的关系,认为通过tf.shape()获得的就是维度,现在发现错误,记下来。 tf.shap()用来获取的是张量的各个维度上的元素数目。 1 #维度为0的标量 [1, 2, 3] #维度为1,包含3个元素 [[1,...
  • Tensorflow中张量的理解

    2018-04-02 19:22:32
    Tensor即张量,在tensorflow中所有的数据都通过张量流来传输,在看代码的时候,对张量的概念很不解,很容易和矩阵弄混,今天晚上查了点资料,并深入了解了一下,简单总结一下什么是张量的阶,以及张量的shape是什么...
  • \quad 在tensorflow中所有数据都是以张量(tensor)这种数据结构形式表示。初学tensorflow,对于张量维度理解,做一些笔记。 \quad先举个栗子: import tensorflow as tf a = tf.constant([1.0, 2.0], name='a') b...
  • 影响shape形状因素: 1.卷积核大小 2.stride步长 3.padding模式 公式: K – 卷积核数量 F – 卷积核大小 S – 步长 P – 外围填充层数 运用 显然valid模式下,直接卷,不够就丢弃 我推导valid...
  • 以下是我在理解张量的过程中的一些总结。 1、什么是张量 这是bilibili搬运youtube的一个视频,很直观的解释了张量的含义。 **通俗一点讲:**张量是对标量,矢量,矩阵的推广。张量的表达看起来像是数组,其实每个值...
  • view在pytorch中是用来改变张量的shape的,简单又好用。 pytorch中view的用法通常是直接在张量名后用.view调用,然后放入自己想要的shape。如 tensor_name.view(shape) Example: 1. 直接用法: >>>...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,087
精华内容 434
关键字:

张量的shape