python - 关于 TensorFlow 中等级和形状的混淆

Question

我对 TensorFlow 的等级和形状概念感到困惑。我已阅读 here 的详细信息并确实运行了一些代码来清除我对它们的概念。但我仍然很困惑，需要帮助才能理解。

x = tf.placeholder(tf.float32, shape=[2, 12])
print(x.get_shape()) # ==> (2, 12)
print(x[0, :].get_shape())  # ==> (12,)
print(x[1, :].get_shape())  # ==> (12,)
print(x[2, :].get_shape())  # ==> (12,)
print(x[120, :].get_shape())  # ==> (12,)

我认为 x 就像一个二维矩阵，其中 2 是 number of rows 而 12 是 列数。那么为什么我将 x[120, :] 的形状设置为 (12, )？对于给定的形状，x[120, :] 怎么可能？

此外，因为我认为 x 是一个二维张量，所以它的秩也是 2，因为维度和秩对于张量来说是一回事(根据我的理解)。但是当我运行时:

print(x[0].get_shape())

我收到这个错误:

Shape (2, 12) must have rank 1

说明我对rank和dimension的理解有误。关于排名和维度，我缺少什么？等级和维度是两个不同的东西吗？上例中tensor x的rank如何为1？如何设置张量的等级？谁能用一些全面的例子详细解释一下？

Answer 1

我找到了 link你提供的很清楚。

---

张量的秩是它具有的维数

• 矩阵有 2 个维度，所以它的秩为 2
• 彩色图像有 3 个维度 [height, width, 3] 所以它的等级是 3

张量的形状是每个维度中分量的详细数量

• 矩阵有 2 个维度，秩为 2，形状可以像 [6, 10]，其中 6 是行数，10 列数
• 200x200 的彩色图像(排名 3)的形状为 [200, 200, 3]

---

对于您的示例，x[120, :] 是可以编写的，因为 TensorFlow 尚未检查 120 是否为有效索引。当您创建 session 并运行代码时，您会发现一个错误:

res = x[120, :]

with tf.Session():
    sess.run(res, feed_dict={x: np.zeros((2, 12))})

InvalidArgumentError: slice index 120 of dimension 0 out of bounds.

---

正如我在评论中所说，x[0] 应该与最新版本的 TensorFlow 一起使用，它应该给出形状为 (12,) 的张量，并且排名1.