tf.reshape（）如何在内部工作？

Question

我试图了解tf.reshape如何工作。让我们举个例子：

embeddings = tf.placeholder(tf.float32, shape=[N0,N1])
M_2D = tf.placeholder(tf.float32, shape=[N0,None])
M_3D = tf.reshape(M_2D, [-1,N0,1])
weighted_embeddings = tf.multiply(embeddings, M_3D)

在这里，我有一个2D张量M_2D，其列表示维度N1的N0个嵌入的系数。我想创建一个3D张量，其中M_2D的每一列都放置在M_3D的第一维中，并且各列保持相同的顺序。我的最终目标是创建2D嵌入的3D张量，每个张量由M_2D的列加权。

如何确定整形实际上将每一列放置在M_3D的新维度中。是否可以代替放置行？在tensorflow文档中是否有明确的解释tf.reshape的内部工作过程，特别是在提供-1的情况下？

Answer 1

前后张量tf.reshape具有相同的展平顺序。

在tensorflow运行时中，一个Tensor由原始数据（字节数组），形状和dtype组成，tf.reshape仅更改形状，而原始数据和dtype不变。-1或Nonein tf.reshape表示可以计算该值。

例如，

# a tensor with 6 elements, with shape [3,2]
a = tf.constant([[1,2], [3,4], [5,6]]) 
# reshape tensor to [2, 3, 1], 2 is calculated by 6/3/1
b = tf.reshape(a, [-1, 3, 1])

在这个例子中，a与b具有相同的扁平化顺序，即[1,2,3,4,5,6]，a具有形状[3,2]，它的值是[[1,2], [3,4], [5,6]]，b有形状[2,3,1]，其值[[[1],[2],[3]],[[4],[5],[6]]]。