TensorFlow 教程 指出,在创建张量时,我们需要指定张量的形状。该形状自动成为张量的形状。它还指出,TensorFlow 提供了高级机制来重新塑造变量。我该怎么做?有任何代码示例吗?
TensorFlow 教程 指出,在创建张量时,我们需要指定张量的形状。该形状自动成为张量的形状。它还指出,TensorFlow 提供了高级机制来重新塑造变量。我该怎么做?有任何代码示例吗?
tf.Variable
类是创建变量的推荐方法,但它限制了您在创建变量后更改变量形状的能力。如果您需要更改变量的形状,可以按照以下步骤操作(例如,对于32位浮点张量):
var = tf.Variable(tf.placeholder(tf.float32))
# ...
new_value = ... # Tensor or numpy array.
change_shape_op = tf.assign(var, new_value, validate_shape=False)
# ...
sess.run(change_shape_op) # Changes the shape of `var` to new_value's shape.
请注意,此功能不包含在公开文档的API中,因此可能会发生变化。如果您确实需要使用此功能,请告诉我们,我们可以研究一种支持它继续前进的方法。
var.shape
没有相应地更新。当存储检查点时,这种情况会持续存在,从而防止再次加载检查点,因为变量形状与权重形状不匹配。有没有一种方法可以强制更新var.shape
?我应该创建一个GitHub问题吗? - Michael Gygli文档展示了重新调整形状的方法,包括:
此外还有一些方法可以获取您的张量的shape
、size
和rank
。可能最常用的是reshape
,以下是一个带有一些特殊情况(-1)的代码示例:
import tensorflow as tf
v1 = tf.Variable([
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]
])
v2 = tf.reshape(v1, [2, 6])
v3 = tf.reshape(v1, [2, 2, -1])
v4 = tf.reshape(v1, [-1])
# v5 = tf.reshape(v1, [2, 4, -1]) will fail, because you can not find such an integer for -1
v6 = tf.reshape(v1, [1, 4, 1, 3, 1])
v6_shape = tf.shape(v6)
v6_squeezed = tf.squeeze(v6)
v6_squeezed_shape = tf.shape(v6_squeezed)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
a, b, c, d, e, f, g = sess.run([v2, v3, v4, v6, v6_shape, v6_squeezed, v6_squeezed_shape])
# print all variables to see what is there
print e # shape of v6
print g # shape of v6_squeezed
tf.Variable(tf.placeholder(tf.float32))
在TensorFlow 1.2.1中无效。
在Python Shell中:
import tensorflow as tf
tf.Variable(tf.placeholder(tf.float32))
您将获得以下内容:
ValueError: initial_value must have a shape specified: Tensor("Placeholder:0", dtype=float32)
validate_shape=False
,则不会出现错误。tf.Variable(tf.placeholder(tf.float32), validate_shape=False)
tf.py_func
符合您的要求:def init():
return numpy.random.rand(2,3)
a = tf.pyfun(init, [], tf.float32)
通过传递自己的初始化函数,您可以创建任何形状的变量。
另一种方法:
var = tf.get_varible('my-name', initializer=init, shape=(1,1))
tf.constant
或任何返回 numpy 数组的 init
函数。提供的形状将不会得到验证,输出的形状是你真实数据的形状。tf.Variable
:使用None
参数进行shape
定义
在1.14版本中增加了一个特性,允许指定未知形状。
如果shape
为None
,则使用初始形状值。
如果指定了shape
,则将其用作形状并允许有None
。
示例:
var = tf.Variable(array, shape=(None, 10))
var.assign(new_value)
v = tf.Variable([1], shape=tf.TensorShape(None), dtype=tf.int32)
tf.print(v)
v.assign([1, 1, 1])
tf.print(v)
并且这将输出:
[1]
[1 1 1]
shape
作为参数指定,形状不再自动变成变量的形状。请参见下面的答案。 - Mayou36