TensorFlow 中关于秩和形状的混淆

Question

我对 TensorFlow 的秩和形状概念感到困惑。我已经从这里阅读了详细信息，并运行了一些代码来澄清我对它们的概念。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2isnumber of rows和12is number of columns。那为什么我的身材会越来越x[120, :]好呢(12, )？x[120, :]对于给定的形状，均匀度如何？

此外，由于我认为 x 是一个 2D 张量，所以它的秩也是 2，因为张量的维数和秩是相同的（根据我的理解）。但是当我跑步时：

print(x[0].get_shape())

我收到此错误：

Shape (2, 12) must have rank 1

这意味着我对等级和维度的理解是错误的。我对等级和维度缺少什么？等级和维度是两个不同的东西吗？tensor x上例中 的秩如何为 1？如何设置张量的秩？谁能用一些全面的例子详细解释一下？

Answer 1

我发现您提供的链接非常清楚。

张量的秩是它具有的维数

• 矩阵有 2 维，因此其秩为 2
• 彩色图像有 3 个维度，[height, width, 3]因此其等级为 3

张量的形状是每个维度中分量的详细数量

• 矩阵有 2 维，秩为 2，可以具有类似 的形状[6, 10]，其中6是行数和10列数
• 200x200 彩色图像（等级 3）将具有形状[200, 200, 3]

对于您的示例，x[120, :]可以这样写，因为 TensorFlow 尚未检查 是否120是有效索引。当你创建会话并运行代码时，你会发现一个错误：

res = x[120, :]

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

InvalidArgumentError：维度 0 的切片索引 120 超出范围。

正如我在评论中所说，x[0]应该使用最新版本的 TensorFlow，并且它应该给出形状为 的张量(12,)，并且等级为 1。