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。在实际运行中，常常出现图中tensor的具体维数不确定而用placeholder代替的情况，因此static shape未必是已知的。tensor在训练过程中的实际维数被称为dynamic shape，而dynamic shape是一定的。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：
1 x = tf.placeholder(tf.int32, shape=[4]) 2 print x.get_shape() 3 # ==> '(4,)'
get_shape()返回了x的静态类型，4代指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：
1 y, _ = tf.unique(x) 2 print y.get_shape() 3 # ==> '(?,)' 4 sess = tf.Session() 5 print sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape 6 # ==> '(4,)' 7 print sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape 8 # ==> '(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。（其实从官方说明中可以看出，这两个主要是适用场合的区别，前者用于更新图中某个tensor的shape，而后者则往往用于动态地创建一个新的tensor。）
参考：https://github.com/vahidk/EffectiveTensorflow；https://www.jianshu.com/p/2b88256ad206；https://blog.csdn.net/qq_21949357/article/details/77987928；