本文共 2768 字，大约阅读时间需要 9 分钟。
这篇教程是翻译写的TensorFlow教程，作者已经授权翻译，这是。
目录
这篇教程主要去理解一些关于Tensorflow的维度形状概念，希望在后续的教程中能帮你节约调试程序的时间 :) 。
那么什么是张量呢？
简单的说，张量就是一个拥有 n 维度的数组，并且其中的值都拥有相同的类型，比如整型，浮点型，布尔型等等。
张量可以用我们所说的形状来描述：我们用列表（或元祖）来描述我们的张量的每个维度的大小，例如：
一个 n 维度的张量可以表示为：（D_0, D_1, D_2, …, D_n-1）
一个 * W x H * 大小的张量（一般我们成为矩阵）：（W, H）
一个尺度是 W 的张量（一般我们称之为向量）：（W, ）
一个简单的标量（或者与之等价的）：（）或者（1, ）
注意：* D_，W，H **都是整型。
关于一维张量的一些注意：我们不可能通过观察 TF 中的矢量形状来确定矢量是行向量还是列向量。实际上这并不重要。有关更多信息，请查看这个关于Numpy堆栈溢出的回答（这大致与TensorFlow表示法相同）：
在 TF 中，一个张量如下表述：
my_tensor = tf.constant(0., shape=[6,3,7])print(my_tensor) # -> Tensor("Const_1:0", shape=(6, 3, 7), dtype=float32) 我们可以发现，一个张量应该包含如下内容：
一个名字，它用于键值对的存储，用于后续的检索：Const: 0
一个形状描述， 描述数据的每一维度的元素个数：（6，3，7）
数据类型，比如 float32
现在，我们来谈这篇文章的重点：TensorFlow中张量的两种形状！一种是静态形状，另一种是动态形状。
静态形状和动态形状
静态形状
静态维度是指当你在创建一个张量或者由操作推导出一个张量时，这个张量的维度是确定的。它是一个元祖或者列表。
TensorFlow将尽最大努力去猜测不同张量的形状（在不同操作之间），但是它不会总是能够做到这一点。特别是如果您开始用未知维度定义的占位符执行操作（例如，当你使用批操作时）。
要在代码中使用静态形状（访问/更改），你将使用Tensor本身的不同函数，并在名称中使用下划线：
注意：静态形状是非常有用的，特别是当你调试的时候，你可以使用 print 函数将张量形状进行打印，从而判断自己的设计是否正确。
动态形状
当你在运行你的图时，动态形状才是真正用到的。这种形状是一种描述原始张量在执行过程中的一种张量。
如果你定义了一个没有标明具体维度的占位符，即用None表示维度，那么当你将值输入到占位符时，这些无维度就是一个具体的值，并且任何一个依赖这个占位符的变量，都将使用这个值。
如果在代码中操作动态形状（访问/更改），你将使用主作用域中的不同函数，并且名称中没有下划线：
注意：当你要处理一些动态维度时，那么使用动态形状是非常方便的。
一个真实的使用案例：RNN
让我们需要去构建一个RNN时，我们将输入一个动态的形状，这个形状将去处理任何长度的输入数据。
在训练阶段，我们将使用动态占位符来定义批处理大小 batch_size
你现在需要去初始化一个状态，比如 init_state = cell.zero_state(batch_size, tf.float32) ...。
但是，批处理大小 batch_size 具体应该等于多少呢？而且我们想要它是一个动态的数值，那么我们应该怎么选择呢？如果你阅读源码，那么就会发现 TensorFlow 允许很多不同的数据类型，如下：
Args: batch_size: int, float, or unit Tensor representing the batch size.
int和float不能被使用，因为当你定义你的图时，你实际上是不知道 batch_size 的具体大小是多少的。这很重要。
最有意思的地方是最后一种类型： unit Tensor representing the batch size ，如果你在看原始文档，那么你会发现 unit Tensor 就是一个零维度的张量，也就是说，它就是一个标量。那么，你是怎么得到标量张量呢？
如果你在静态形状上尝试得到，你们如下：
my_tensor = tf.placeholder(tf.float32)batch_size = my_tensor.get_shape()[0] # Dimension(None)print(batch_size)# -> ?
batch_size 将返回 Dimension(None) 类型，即输出是 ? 。这个类型只能用作占位符的维度。
其实，你实际想做的是在图中使用这个动态参数 batch_size ，那么你必须使用动态形状，如下：
my_tensor = tf.placeholder(tf.float32)batch_size = tf.shape(my_tensor)[0] #print(batch_size)# -> Tensor("strided_slice:0", shape=(), dtype=int32)
你看，此时 batch_size 在 TensorFlow 中是零维度的张量类型来描述的。
总结
在调试时，使用静态形状
除了调试，都是用动态形状，尤其是当你在吹未定义的维度时。
注意：在使用RNN API时，TensorFlow非常在意将初始状态设置为 zero_state ，但是为什么需要手动定义这种方式？不解。
你可能希望在运行图时，自己控制 init_state 的初始化状态。 那么你实际上可以使用 feed_dict 来为图中的任何变量提供初始变量，如下：
sess.run(encoder_final_state, feed_dict={ my_placeholder: new_input, init_state: previous_encoder_final_state}) 现在，你可以动手写一下了。So easy！
References:
如果觉得内容有用，帮助多多分享哦 :)
长按或者扫描如下二维码，关注 “CoderPai” 微信号（coderpai）。添加底部的 coderpai 小助手，添加小助手时，请备注 “算法” 二字，小助手会拉你进算法群。如果你想进入 AI 实战群，那么请备注 “AI”，小助手会拉你进AI实战群。
