在Tensorflow中使用tf.expand_dims和tf.newaxis有什么区别？

Question

嗨,我是Tensorflow的新手.
我想改变Tensor的维度,我找到了3种类型的方法来实现它,如下所示:

a = tf.constant([[1,2,3],[4,5,6]]) # shape (2,3)

# change dimention of a to (2,3,1)
b = tf.expand_dims(a,2)   # shape(2,3,1)
c = a[:,:,tf.newaxis]     # shape(2,3,1)
d = tf.reshape(a,(2,3,1)) # shape(2,3,1)

3种方法之间是否有任何差异,例如在性能方面？
我应该使用哪种方法？

Answer 1

三者之间没有真正的区别，但有时其中一个可能更方便：

• tf.expand_dims(a, 2)：当你想添加一个维度并且它的索引是可变的（例如另一个TensorFlow操作的结果，或者某个函数参数）时，很方便。根据您的风格，您可能会发现它更具可读性，因为它清楚地表达了添加维度的意图。
• a[:,:,tf.newaxis]：我个人经常使用它，因为我觉得它可读（也许是因为我从 NumPy 习惯了它），尽管不是在所有情况下。如果要添加多个维度（而不是tf.expand_dims多次调用），则特别方便。另外（显然）如果您想同时切片并添加新尺寸。但是，它不适用于可变轴索引，如果您有很多维度，则tf.expand_dims可能不那么令人困惑。
• tf.reshape(a,(2,3,1))：我个人很少或从不使用它来仅添加维度，因为它需要我知道并指定所有（或除一个之外的所有）剩余维度大小，并且在阅读代码时可能会产生误导。但是，如果我需要重塑和添加维度，我通常会在同一个操作中进行。