Comment obtenir les dimensions d'un tenseur (dans TensorFlow) au moment de la construction du graphique?

J'essaie une Op qui ne se comporte pas comme prévu.

graph = tf.Graph()
with graph.as_default():
  train_dataset = tf.placeholder(tf.int32, shape=[128, 2])
  embeddings = tf.Variable(
    tf.random_uniform([50000, 64], -1.0, 1.0))
  embed = tf.nn.embedding_lookup(embeddings, train_dataset)
  embed = tf.reduce_sum(embed, reduction_indices=0)

J'ai donc besoin de connaître les dimensions du Tenseur embed. Je sais que cela peut être fait au moment de l'exécution, mais c'est trop de travail pour une opération simple. Quelle est la façon la plus facile de le faire?

source d'informationauteur Thoran

  1. 36

    Tensor.get_shape() de ce post.

    À partir de la documentation:

    c = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(c.get_shape())
==> TensorShape([Dimension(2), Dimension(3)])
  2. 22

    Je vois la plupart des gens confus au sujet de tf.shape(tensor) et tensor.get_shape()
    Soyons clair:

    1. tf.shape

    tf.shape est utilisé pour la forme dynamique. Si votre tenseur de forme est changablel'utiliser.
    Un exemple: une entrée est une image avec changable la largeur et la hauteur, nous voulons la redimensionner à la moitié de sa taille, alors on peut écrire quelque chose comme:

    new_height = tf.shape(image)[0] /2

    1. tensor.get_shape

    tensor.get_shape est utilisé pour les formes, ce qui signifie que le tenseur de forme peut être déduit dans le graphique.

    Conclusion:
    tf.shape peut être utilisé presque partout, mais t.get_shape seulement pour les formes peuvent être déduites à partir d'un graphique.

  3. 8

    Une fonction de accès les valeurs:

    def shape(tensor):
    s = tensor.get_shape()
    return tuple([s[i].value for i in range(0, len(s))])

    Exemple:

    batch_size, num_feats = shape(logits)
  4. 5

    Il suffit d'imprimer les intégrer après la construction graphique (ops) sans cours d'exécution:

    import tensorflow as tf

...

train_dataset = tf.placeholder(tf.int32, shape=[128, 2])
embeddings = tf.Variable(
    tf.random_uniform([50000, 64], -1.0, 1.0))
embed = tf.nn.embedding_lookup(embeddings, train_dataset)
print (embed)

    Cela permettra de montrer la forme de l'intégrer tenseur:

    Tensor("embedding_lookup:0", shape=(128, 2, 64), dtype=float32)

    Généralement, il est bon de vérifier les formes de tous les tenseurs avant la formation de vos modèles.

  5. 1

    Nous allons faire simple comme l'enfer. Si vous voulez un numéro unique pour le nombre de dimensions, comme 2, 3, 4, etc., alors utilisez simplement tf.rank(). Mais, si vous voulez la forme exacte du tenseur ensuite utiliser tensor.get_shape()

    with tf.Session() as sess:
   arr = tf.random_normal(shape=(10, 32, 32, 128))
   a = tf.random_gamma(shape=(3, 3, 1), alpha=0.1)
   print(sess.run([tf.rank(arr), tf.rank(a)]))
   print(arr.get_shape(), ", ", a.get_shape())     


# for tf.rank()    
[4, 3]

# for tf.get_shape()
Output: (10, 32, 32, 128) , (3, 3, 1)
  6. 1

    La méthode tf.la forme est un TensorFlow méthode statique. Cependant, il y a aussi la méthode get_shape pour le Tenseur de classe. Voir

    https://www.tensorflow.org/api_docs/python/tf/Tensor#get_shape