参考https://www.jianshu.com/p/00e537e3deec
Tensorflow中的shape应该怎么理解，怎么记住呢？
x = tf.placeholder(tf.float32, shape=[1,2,3] )
以上面这段代码为例为例。
首先，单看[1,2,3]，这是1维的，但它作为shape时，代表要传入的数据必须是个3维的，这点首先要明白，自己理解一下。
Tensorflow和numpy一样，读shape时应该从外向内读。
先举个例子：
[[1,2,3], [4,5,6]]
和
[[1,2,3],
[4,5,6]]
是一样的，都是2行3列（shape=[2,3]）。应该怎么记呢？
这个矩阵，先拿掉最外层中括号，变成[1,2,3], [4,5,6]，[1,2,3]和 [4,5,6]被逗号隔开成2块，理解为有2个元素，每个元素（如[1,2,3]）拿掉中括号后，剩下1、2和3被逗号隔开，理解为有3个元素，所以是shape=[2,3]。
再换个例子，如果shape=[1,1,1]，那它会接收什么样的数据？我们根据规则，第1个数字为“1”表示最外层的元素个数只有1个。
[a]
第二层的数字为“1”表示拿掉一次括号后，剩下的仍然只有1个元素.
[ [a] ]
相应的，第3个“1”表示再拿掉一次括号后还是只剩1个元素
[ [ [a] ] ]就是结果。
shape = [1,1,2]表示数据应该是这样的：[[[a,b]]]。
回到最开始，x应该输入的是[[[a,b,c],[d,e,f]]]这样格式的, 即shape=[1, 2, 3]。
tf中有两对方法比较容易混淆，涉及的是shape问题，在此做一些区分。
首先说明tf中tensor有两种shape，分别为static (inferred) shape和dynamic (true) shape，其中static shape用于构建图，由创建这个tensor的op推断（inferred）得来，故又称inferred shape。如果该tensor的static shape未定义，则可用tf.shape()来获得其dynamic shape。
1. 区分x.get_shape()和x = tf.shape(x)
x.get_shape()返回static shape，只有tensor有这个方法，返回是元组。
x.get_shape().as_list()是一个常用方法，经常被用于将输出转为标准的python list。
关于static shape的样例示范如下：
x = tf.placeholder(tf.int32, shape=[4])
print x.get_shape()
# ==> '(4,)'
get_shape()返回了x的静态类型，4代表x是一个长度为4的向量。需要注意，get_shape()不需要放在session中即可运行。
与get_shape()不同，tf.shape()的示例代码如下：
y, _ = tf.unique(x)
print y.get_shape()
# ==> '(?,)'
sess = tf.Session()
print sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape
# ==> '(4,)'
print sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape
# ==> '(1,)'
通过此代码体会两种shape的不同，需要注意tf.shape()需要在session中运行。
2. 区分x.set_shape()和tf.reshape()
set_shape更新tensor的static shape，不改变dynamic shape。reshape创建一个具备不同dynamic shape的新的tensor。
参考(https://blog.csdn.net/weixin_40395922/article/details/81708532)
网友评论