Tensorflow入门教程（二）——对张量静态和动态的理解

上一篇我介绍了Tensorflow是符号操作运算，并结合例子来验证。这一篇我也会结合一些例子来深刻理解Tensorflow中张量的静态和动态特性。

1、Tensorflow张量的静态和动态相关操作

TensorFlow中的张量具有静态大小属性，该属性在图形构建期间确定。有时静态大小可能没有指定。例如，我们可以定义一个大小的张量[None，128]：

这意味着第一个维度可以是任意大小，并将在Session.run（）中动态确定。可以按如下方式查询张量的静态大小：

为了得到张量的动态大小，可以调用tf.shape操作，它返回一个表示给定张量大小的张量：

张量的静态大小可以用Tensor.set_shape（）方法设置：

可以使用tf.reshape函数动态重塑给定的张量：

2、返回张量大小的通用函数

我们定义这么一个函数，它可以很方便地返回可用的静态大小，当不可用时则返回动态大小。以下get_shap()函数可以做到这一点：

在实际很多情况中，我们需要将张量的不同维度通道进行合并，比如我们想要将第二维和第三维进行合并，也就是将三维张量转换为二维张量。我们可以使用上面定义好的get_shape（）函数来做到这一点：

无论这些大小是否为静态指定，这都是有效的。

3、通用重塑函数

实际上，我们可以编写一个通用重塑函数来折叠任何维度列表：

然后折叠第二维变得非常简单：

以上结果我就不展示了，自己动手去试一试，看看结果如何。