精析 神经语言模型实验 set_shape()和reshape()的区别

区别：

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

set_shape的典型用法如下：

1. import tensorflow as tf

2. x1 = tf.placeholder(tf.int32)

3. x1.set_shape([2，2])

4. print(x1.get_shape())

5.  

6. sess = tf.Session()

7. #print(sess.run(tf.shape(x1), feed_dict={x1:[0,1,2,3]}))

8. print(sess.run(tf.shape(x1), feed_dict={x1:[[0,1],[2,3]]}))

输出：

1. (2, 2)

2. [2 2]

这代表了图中最开始没有shape的x1在使用了set_shape后，它的图中的信息已经改变了，如果取消掉注释就会报错，因为我们传入了和图不符合的参数。

reshape的典型用法则是这样：

1. import tensorflow as tf

2. x1 = tf.placeholder(tf.int32)

3. x2 = tf.reshape(x1, [2,2])

4. print(x1.get_shape())

5.  

6. sess = tf.Session()

7. print(sess.run(tf.shape(x2), feed_dict={x1:[0,1,2,3]}))

8. print(sess.run(tf.shape(x2), feed_dict={x1:[[0,1],[2,3]]}))

输出：

1. (2,2)

2. [2,2]

3. [2,2]

即它并不是想改变图，而只是想创造一个新的tensor以供我们使用。

但是reshape能否和set_shape有着相同的用法，即用来改变图？我们试着修改上面的代码：

1. import tensorflow as tf

2. x1 = tf.placeholder(tf.int32)

3. x1 = tf.reshape(x1, [2,2]) # use tf.reshape()

4. print(tf.shape(x1))

5.  

6. sess = tf.Session()

7. #print(sess.run(tf.shape(x1), feed_dict={x1:[0,1,2,3]}))

8. print(sess.run(tf.shape(x1), feed_dict={x1:[[0,1],[2,3]]}))

经测试，reshape后x1的shape也发生了变化，注释不取消仍然会有报错现象。

那么set_shape和reshape的用法是否完全一样呢？还是有一定差别的。

reshape可以改变原有tensor的shape，而set_shape只能更新信息没办法直接改变值，可以参考下面的程序：

1. import tensorflow as tf

2. x1 = tf.Variable([[0, 1], [2, 3]])

3. print(x1.get_shape())

4.  

5. x1 = tf.reshape(x1, [4, 1]) # if we use x1.set_shape([4, 1]),the program cannot run

6. print(x1.get_shape())