Tf.shape() obtient une forme incorrecte dans tensorflow

Question

Je définis un tenseur de cette manière:

x = tf.get_variable("x", [100])

Mais quand j'essaie d'afficher la forme du tenseur:

print( tf.shape(x) )

Je reçois Tensor("Shape:0", shape=(1,), dtype=int32), pourquoi le résultat de la sortie ne devrait-il pas être shape=(100)

Answer 1

tf.shape(input, name=None) retourne un tenseur entier en 1-D représentant la forme de l'entrée.

Vous recherchez : x.get_shape() qui retourne le TensorShape de la variable x.

Mise à jour : J'ai écrit un article pour clarifier les formes dynamiques/statiques dans Tensorflow à cause de cette réponse : https://pgaleone.eu/tensorflow/2018/07/28/understanding-tensorflow-tensors-shape-static-dynamic/

Answer 2

Clarification :

tf.shape(x) crée une opération et renvoie un objet qui représente la sortie de l'opération construite, c'est ce que vous imprimez actuellement. Pour obtenir la forme, exécutez l'opération dans une session :

matA = tf.constant([[7, 8], [9, 10]])
shapeOp = tf.shape(matA) 
print(shapeOp) #Tensor("Shape:0", shape=(2,), dtype=int32)
with tf.Session() as sess:
   print(sess.run(shapeOp)) #[2 2]

crédit : Après avoir examiné la réponse ci-dessus, j'ai vu la réponse à la fonction tf.rank dans Tensorflow que j'ai trouvée plus utile et que j'ai essayé de reformuler ici.

Answer 3

Juste un exemple rapide, pour clarifier les choses :

a = tf.Variable(tf.zeros(shape=(2, 3, 4)))
print('-'*60)
print("v1", tf.shape(a))
print('-'*60)
print("v2", a.get_shape())
print('-'*60)
with tf.Session() as sess:
    print("v3", sess.run(tf.shape(a)))
print('-'*60)
print("v4",a.shape)

La sortie sera :

------------------------------------------------------------
v1 Tensor("Shape:0", shape=(3,), dtype=int32)
------------------------------------------------------------
v2 (2, 3, 4)
------------------------------------------------------------
v3 [2 3 4]
------------------------------------------------------------
v4 (2, 3, 4)

Aussi, cela devrait être utile : Comment comprendre la forme statique et la forme dynamique dans TensorFlow?

Answer 4

Une question similaire est bien expliquée dans la FAQ de TF :

En TensorFlow, un tenseur a à la fois une forme statique (inférée) et une forme dynamique (réelle). La forme statique peut être lue en utilisant la méthode tf.Tensor.get_shape : cette forme est inférée à partir des opérations qui ont été utilisées pour créer le tenseur et peut être partiellement complète. Si la forme statique n'est pas entièrement définie, la forme dynamique d'un tenseur t peut être déterminée en évaluant tf.shape(t).

Donc tf.shape() vous renvoie un tenseur, aura toujours une taille de shape=(N,), et peut être calculé dans une session :

a = tf.Variable(tf.zeros(shape=(2, 3, 4)))
with tf.Session() as sess:
    print sess.run(tf.shape(a))

En revanche, vous pouvez extraire la forme statique en utilisant x.get_shape().as_list() et ceci peut être calculé n'importe où.

Answer 5

Tout simplement, utilisez tensor.shape pour obtenir la forme statique:

In [102]: a = tf.placeholder(tf.float32, [None, 128])

# retourne [None, 128]
In [103]: a.shape.as_list()
Out[103]: [None, 128]

Alors que pour obtenir la forme dynamique, utilisez tf.shape():

dynamic_shape = tf.shape(a)

---

Vous pouvez également obtenir la forme comme vous le feriez dans NumPy avec your_tensor.shape comme dans l'exemple suivant.

In [11]: tensr = tf.constant([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6]])

In [12]: tensr.shape
Out[12]: TensorShape([Dimension(2), Dimension(5)])

In [13]: list(tensr.shape)
Out[13]: [Dimension(2), Dimension(5)]

In [16]: print(tensr.shape)
(2, 5)

---

Aussi, cet exemple, pour les tenseurs qui peuvent être evalués.

In [33]: tf.shape(tensr).eval().tolist()
Out[33]: [2, 5]