tf.reshape() 如何在内部工作？

【问题标题】：How does tf.reshape() work internally ?tf.reshape() 如何在内部工作？
【发布时间】：2019-01-13 08:48:53
【问题描述】：

我正在尝试了解 tf.reshape 的工作原理。举个例子：

embeddings = tf.placeholder(tf.float32, shape=[N0,N1])
M_2D = tf.placeholder(tf.float32, shape=[N0,None])
M_3D = tf.reshape(M_2D, [-1,N0,1])
weighted_embeddings = tf.multiply(embeddings, M_3D)

这里我有一个 2D 张量 M_2D，它的列代表维度为 N1 的 N0 个嵌入的系数。我想创建一个 3D 张量，其中 M_2D 的每一列都放置在 M_3D 的第一维中，并且列保持相同的顺序。我的最终目标是创建 2D 嵌入的 3D 张量，每个张量由 M_2D 的列加权。

如何确定 reshape 实际上将每一列放置在 M_3D 的新维度中。是否有可能改为放置行？ tensorflow 文档中是否有关于 tf.reshape 的内部工作过程的明确解释，特别是在提供 -1 时？

【问题讨论】：

标签： python tensorflow reshape

【解决方案1】：

tf.reshape 之前和之后的张量具有相同的展平顺序。

在 tensorflow 运行时，一个张量由原始数据（字节数组）、形状和 dtype 组成，tf.reshape 只改变形状，原始数据和 dtype 不变。 tf.reshape中的-1或None表示可以计算这个值。

例如，

# a tensor with 6 elements, with shape [3,2]
a = tf.constant([[1,2], [3,4], [5,6]]) 
# reshape tensor to [2, 3, 1], 2 is calculated by 6/3/1
b = tf.reshape(a, [-1, 3, 1])

在这个例子中，a和b具有相同的展平顺序，即[1,2,3,4,5,6]，a的形状为[3,2]，其值为[[1,2], [3,4], [5,6]]，b的形状为@987654334 @，其值为[[[1],[2],[3]],[[4],[5],[6]]]。

【讨论】：