TensorFlow shape相关操作

参考文献：

1. 基本形状操作函数：https://blog.csdn.net/xierhacker/article/details/53462072

基本形状操作函数

1. tf.shape(input, name=None, out_type=tf.int32)

   作用： 返回一个1维tensor表示input的形状

   参数： input: 输入的tensor

   name: 可选，这个操作的名字

   out_type: (可选)输出的类型(int32 or int64)， 默认tf.int32

   x_shape = tf.shape(x)
   y_shape = tf.shape(y)
   z_shape = tf.shape(z)
   sess = tf.Session()
   print(sess.run(x_shape))
   print(sess.run(y_shape))
   
   操作该函数时，不能使用tf.run(),因为返回的是tuple，否则返回的是string
   

2. tf.size(input, name=None, out_type=tf.int32)

   作用：返回一个tensor的size，也即是input的元素数量

   参数： input: 输入的tensor

   name: 操作的名字

   out_type: 输出的类型 (int32 or int64)，默认int32

   # 't' is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]]
   size(t) ==> 12
   

3. tf.rank(input, name=None)

   作用：返回一个tensor的rank，也可以理解为维度数

   参数： input: 输入的tensor

   name: 操作名字

   # 't' is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]
   # shape of tensor 't' is [2, 2, 3]
   rank(t) ==> 3
   

4. tf.reshape(tensor, shape, name=None)

   作用：改变一个tensor的形状，按照指定的shape返回一个tensor。

   参数： tensor: tensor，待被改变形状的tensor

   shape: tensor，必须是 int32, int64.决定了输出tensor的形状

   # tensor 't' is [1, 2, 3, 4, 5, 6, 7, 8, 9]
   # tensor 't' has shape [9]
   reshape(t, [3, 3]) ==> [[1, 2, 3],
                           [4, 5, 6],
                           [7, 8, 9]]
   

操作同时降维

1. tf.reduce_sum(input_tensor, reduction_indices=None, keep_dims=False, name=None)

   作用：计算tensor的某个维度上元素的总和。

   在给定的reduction_indices 上面缩减input_tensor ,除非keep_dims 设为True，不然相应轴上面的维度要减少1. 如果reduction_indices 没有输入（默认为None），那么所有的维度都会缩减，返回一个只带一个元素的tensor

   # 'x' is [[1, 1, 1]
   #         [1, 1, 1]]
   tf.reduce_sum(x) ==> 6
   tf.reduce_sum(x, 0) ==> [2, 2, 2]
   tf.reduce_sum(x, 1) ==> [3, 3]
   tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
   tf.reduce_sum(x, [0, 1]) ==> 6
   

2. tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)

   计算tensor上面某个维度的平均值。其他参数同1

   # 'x' is [[1., 1.]
   #         [2., 2.]]
   tf.reduce_mean(x) ==> 1.5
   tf.reduce_mean(x, 0) ==> [1.5, 1.5]
   tf.reduce_mean(x, 1) ==> [1.,  2.]
   

3. over