田海立@CSDN 2020-10-18

《图解NCHW与NHWC数据格式》中从逻辑表达和物理存储角度用图的方式讲述了NHWC与NCHW两种数据格式，数据shape是可以改变的，本文介绍TensorFlow里Tensor的Shape概念，并用图示和程序阐述了reshape运算。

一、TensorFlow中Tensor的Shape

TensorFlow中的数据都是由Tensor来表示，Shape相关有下列一些概念：

Rank：维数
Dimension：表达每一维长度
Size：所有的Dimension数值相乘，也就是Tensor里数据元素的尺寸了

rank为0/1/2的典型Tensor如下图所示：

Tensor rank为3时，数据表达为：

二、Tensor的逻辑表达与物理存储

如《图解NCHW与NHWC数据格式》中所述，数据可以从逻辑上和物理排布上去理解。而本文第一节中你可以仍从逻辑上去理解，还未牵涉到物理存储数据排布。

三维以下的比较容易理解，各个ML框架之间也没大的区别，对于三维（及以上）Tensor的排布就很不同了，这里着重介绍3-D。

我们已经知道TensorFlow的Tensor缺省是NHWC的，对于上面的shape(3, 2, 5)的Tensor【n为1】，在TensorFlow中应该是这样的：

如果数据值按顺序排布如下，

      [[[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9]],

       [[10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]],

       [[20, 21, 22, 23, 24],
        [25, 26, 27, 28, 29]]]

那么对应上面三维立方体的摆放应该如下：

三、tf.reshape()运算

reshape原型如下：

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

3.1 tf.reshape()的不改变性

tf.reshape()运算不改变数据的物理排布，也就是说一个Tensor reshape到别的shape只是逻辑上shape的改变，存储的数据不会改变；
tf.reshape()也就不会改变Tensor的size。指定的新的shape的size如果与原Tensor的size不一致就会报错。比如上面Shape(3, 2, 5)的Tensor就没法reshape成7x？。

有了上面两个原则，tf.reshape()运算就很容易理解了，物理存储不变，就看rank以及各个dimension怎么取了。

3.2 tf.reshape() 图示

比如，上面Tensor有30个数：从0～29顺序存储。可以存储为(3, 2, 5)【上面介绍过的3-D】，也可以存储为2D的(3, 10)或(6, 5)，也可以存储为1-D的，全部展开。

3.3 程序实现如下：

TF2.0以后的版本上，直接可以执行，而不用还要在session下执行。当然前提是已经

import tensorflow as tf

1. 30个数的数据

>>> t = tf.range(30)
>>> t
<tf.Tensor: shape=(30,), dtype=int32, numpy=
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29], dtype=int32)>
>>>

2. shape(3, 2, 5)

>>> t = tf.reshape(t, [3,2,5])
>>> t
<tf.Tensor: shape=(3, 2, 5), dtype=int32, numpy=
array([[[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9]],

       [[10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]],

       [[20, 21, 22, 23, 24],
        [25, 26, 27, 28, 29]]], dtype=int32)>
>>>

3. shape(3, 10)

>>> t = tf.reshape(t, [3, 10])
>>> t
<tf.Tensor: shape=(3, 10), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24, 25, 26, 27, 28, 29]], dtype=int32)>
>>>

4. shape(6, 5)

>>> t = tf.reshape(t, [6, 5])
>>> t
<tf.Tensor: shape=(6, 5), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29]], dtype=int32)>
>>>

四、小结

本文介绍了TensorFlow里Tensor的Shape概念，并用图示和实际程序解释了reshape的变化。

图解TensorFlow中Tensor的shape概念与tf op: tf.reshape