tensorflow笔记:tf.reshape的详细讲解

函数原型:目的是为了功能改变张量(tensor)的形状。

tf.reshape(
    tensor,
    shape,
    name=None
)

tensor形参传入一个tensor。shape传入一个向量,代表新tensor的维度数和每个维度的长度。如果传入[3,4,5],就会返回一个内含各分量数值和原传入张量一模一样的3*4*5尺寸的张量。

如果shape传入的向量某一个分量设置为-1,比如[-1,4,5],那么这个分量代表的维度尺寸会被自动计算出来。 

  • 用法一,一个尺寸为1*9的张量转化为3*3的张量:
#coding:utf-8
import tensorflow as tf
t=[1,2,3,4,5,6,7,8,9]
with tf.Session() as sess:
	print (sess.run(tf.reshape(t,[3,3])))

输出结果:

(tf14) zhangkf@Ubuntu2:~$ python o.py 
[[1 2 3]
 [4 5 6]
 [7 8 9]]
  • 用法二,一个尺寸为3 * 2 * 3的张量,转换为第二个维度尺寸为9的张量,即n*9的张量:
#coding:utf-8
import tensorflow as tf
t=[[[1,2],[1,2],[1,2]],[[1,2],[1,2],[1,2]],[[1,2],[1,2],[1,2]]]
with tf.Session() as sess:
	print (sess.run(tf.reshape(t,[-1,9])))

输出结果:显然,n被计算为2。

(tf14) zhangkf@Ubuntu2:~$ python o.py 
[[1 2 1 2 1 2 1 2 1]
 [2 1 2 1 2 1 2 1 2]]
  • 用法三,仅含有单个元素的张量转化为标量:

t为张量[7]

#coding:utf-8
import tensorflow as tf
t=[7]
with tf.Session() as sess:
	print (sess.run(tf.reshape(t,[])))

输出结果:

(tf14) zhangkf@Ubuntu2:~$ python o.py 
7
_image = tf.reshape(x, [-1,28, 28, 1])

# -1表示任意数量的样本数,大小为28x28深度为一的张量

# 可以忽略(其实是用深度为28的,28x1的张量,来表示28x28深度为1的张量)

你可能感兴趣的:(Deep,Learning学习笔记)