tensorflow中tensor的静态维度和动态维度

tf中使用张量（tensor）这种数据结构来表示所有的数据，可以把张量看成是一个具有n个维度的数组或列表，张量会在各个节点之间流动，参与计算。

张量具有静态维度和动态维度。

在图构建过程中定义的张量拥有的维度是静态维度，这个维度可以被定义为不确定的，例如定义一个tensor的维度是[None,10]，表示这个tensor的第一个维度是不确定的，可以是任意的，None 表示具体维度值要在图运行过程中确定。

在图运行的时候，张量在图中各个节点之间流动，此时张量具有的维度是动态维度，依据操作的需要，动态维度是可以动态转变的，所以tensor的动态维度不是唯一的，但是静态维度是唯一的（静态维度可以是形状不确定的）。

定义张量、设置静态维度、查询静态维度

设置静态维度使用  set_shape()
查询静态维度使用  tensorX.shape.as_list()

# -*- coding:utf-8 -*-
import tensorflow as tf

# 定义一个第一维度不确定的tensor
a = tf.placeholder(tf.float32, [None, 128])
b = tf.placeholder(tf.int32,[2,5,6])

# 查询张量a的静态维度
static_shape_a = a.shape.as_list()
static_shape_b = b.shape.as_list()

print static_shape_a,static_shape_b

# 设置张量a的静态维度,a必须有最少一个维度上是不确定才可以设置静态维度
a.set_shape([32, 128])
# b声明的时候3个静态维度已经是确定的了，再设置b的静态维度会报错
# b.set_shape([4,5,3])

# 查询张量a设置静态维度后的静态维度
static_shape_a = a.shape.as_list()

print static_shape_a

输出：

[None, 128] [2, 5, 6]
[32, 128]

静态维度可以认为是tensor的原始维度，如果定义tensor时候具体指定了tensor各个维度的具体值，则tensor的静态维度就是确定的了，不可以再更改静态维度信息了。 只有当定义tensor的时候至少一个维度上使用了 None，tensor的静态维度才可以
使用 set_shape()再指定。

改变和查询动态维度

动态的改变tensor的动态维度使用  tf.reshape()
查询tensor的动态维度使用  tf.shape()

# -*- coding:utf-8 -*-
import tensorflow as tf

# 定义一个第一维度不确定的tensor
a = tf.placeholder(tf.float32, [None, 128])

# 查询a的动态维度
dynamic_shape = tf.shape(a)
print dynamic_shape

#改变a的动态维度
a =  tf.reshape(a, [32, 64,2])

# 查询a的动态维度
dynamic_shape = tf.shape(a)
print dynamic_shape

输出：

Tensor("Shape:0", shape=(2,), dtype=int32)
Tensor("Shape_1:0", shape=(3,), dtype=int32)