向张量添加新维度，会修改其数据吗？答案

【问题标题】：Add a new dimension to a Tensor, will modify its data?向张量添加新维度，会修改其数据吗？
【发布时间】：2020-09-10 10:11:19
【问题描述】：

我使用的是 Python 3.7.7。和 TensorFlow 2.1.0。

我有这段代码：

class_prototype = tf.math.reduce_mean(support_set_embeddings, axis=0)

print("Embeddings type: ", type(support_set_embeddings))
print("Class prototype type: ", type(class_prototype))
print("Support set embeddings shape: ", support_set_embeddings.shape)
print("Class prototype shape: ", class_prototype.shape)

有了这个输出：

Embeddings type:  <class 'tensorflow.python.framework.ops.EagerTensor'>
Class prototype type:  <class 'tensorflow.python.framework.ops.EagerTensor'>
Support set embeddings shape:  (5, 12, 12, 512)
Class prototype shape:  (12, 12, 512)

我得到了这个形状 (12, 12, 512)，但我想要一个形状为 (1, 12, 12, 512) 的张量。

为了得到它，我做到了：

tf.expand_dims(class_prototype , axis=0)

但是，如果我添加一个新维度，会修改它的数据吗？

【问题讨论】：

标签： python numpy tensorflow

【解决方案1】：

添加维度不会修改您的数据。它只是改变了数据的部门或维度。

例如：

代码：

import tensorflow as tf
x1 = tf.constant(np.array(range(1,9)))
x2 = tf.reshape(x1, (2,2,2))
x2

输出：

<tf.Tensor: shape=(2, 2, 2), dtype=int64, numpy=
array([[[1, 2],
        [3, 4]],

       [[5, 6],
        [7, 8]]])>

现在，如果您使用 expand_dims，它只会为您的数据添加另一个维度。

代码：

x3 = tf.expand_dims(x2, axis = 0)
x3

输出：

<tf.Tensor: shape=(1, 2, 2, 2), dtype=int64, numpy=
array([[[[1, 2],
         [3, 4]],

        [[5, 6],
         [7, 8]]]])>

您可以将expand_dims 视为将数组附加到一个空数组。

您可以使用reshape 函数而不是expand_dims 函数来获得相同的结果。

代码：

x4 = tf.reshape(x1, (1,2,2,2))
x4

输出：

<tf.Tensor: shape=(1, 2, 2, 2), dtype=int64, numpy=
array([[[[1, 2],
         [3, 4]],

        [[5, 6],
         [7, 8]]]])>

【讨论】：

谢谢。数组维度是我不明白的一件事。好吧，直到3D数组我才理解，如果数组有更多维度，我不明白。非常感谢您的回答。

【解决方案2】：

数据没有被修改。

(N, 12, 12, 512) 表示您有 N 个形状为 (12, 12, 512) 的元素。对于N=1，这意味着您有1 个形状为(12, 12, 512) 的元素，因此相当于(1, 12, 12, 512)。

进一步扩大维度只是继续这个逻辑：

(1,1,12,12,512) 表示您有 1 个元素和 1 个形状为 (12, 12, 512) 的元素。所以最后我们仍然只有 1 个3D 张量。

仅对于 N>1，我们最终会在张量中得到不同数量的元素，这意味着我们已经修改了基础数据（例如，通过重复 3D 张量）。

【讨论】：