tensorflow根據輸入更改tensor shape的方法

不懂tensorflow根據輸入更改tensor shape的方法？其實想解決這個問題也不難，下面讓小編帶著大家一起學習怎么去解決，希望大家閱讀完這篇文章后大所收獲。

涉及隨機數以及類RNN的網絡構建常常需要根據輸入shape，決定中間變量的shape或步長。

tf.shape函數不同于tensor.shape.as_list()函數，后者返回的是常值list，而前者返回的是tensor。

使用tf.shape函數可以使得中間變量的tensor形狀隨輸入變化，不需要在構建Graph的時候指定。但對于tf.Variable，因為需要提前分配固定空間，其shape無法通過上訴方法設定。

實例代碼如下：

a = tf.placeholder(tf.float32,[None,])
b = tf.random_normal(tf.concat([tf.shape(a),[2,]],axis=0))

補充知識：pytorch中model=model.to(device)用法

這代表將模型加載到指定設備上。

其中，device=torch.device("cpu")代表的使用cpu，而device=torch.device("cuda")則代表的使用GPU。

當我們指定了設備之后，就需要將模型加載到相應設備中，此時需要使用model=model.to(device)，將模型加載到相應的設備中。

將由GPU保存的模型加載到CPU上。

將torch.load()函數中的map_location參數設置為torch.device('cpu')

device = torch.device('cpu')
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))

將由GPU保存的模型加載到GPU上。確保對輸入的tensors調用input = input.to(device)方法。

device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.to(device)

將由CPU保存的模型加載到GPU上。確保對輸入的tensors調用input = input.to(device)方法。map_location是將模型加載到GPU上，model.to(torch.device('cuda'))是將模型參數加載為CUDA的tensor。最后保證使用.to(torch.device('cuda'))方法將需要使用的參數放入CUDA。

device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location="cuda:0")) # Choose whatever GPU device number you want
model.to(device)

感謝你能夠認真閱讀完這篇文章，希望小編分享tensorflow根據輸入更改tensor shape的方法內容對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業(yè)資訊頻道，遇到問題就找億速云，詳細的解決方法等著你來學習!