1. 张量的变换

1.1 类型改变

tf.cast(x, dtype, name=None)

x：想要修改的张量
dype：想要修改的类型

代码演示：

首先，我们创建一个int32张量
然后，使用tf.cast进行类型转换
将其转换为float32类型的张量
分别输出原张量与修改后的张量

tensor3 = tf.constant([[1],[2],[3]])
tensor3_float = tf.cast(tensor3, dtype=tf.float32)
tensor3_float

运行结果如下图所示：

由此可以看出tf.cast类型修改，不会改变原始张量类型
会重新返回改变类型后的新的张量

1.2 形状改变

TensorFlow的张量具有两种形状变换，动态形状和静态形状

静态形状：一开始创建张量时的形状，即初始创建张量时的形状
- tf.set_shape(shape)
- 只有在形状没完全固定下，才可改变/更新静态形状
- 换句话说，1维张量只能更新成1维，2维张量只能更新成2维，不能跨维数更新
- 形状没有完全固定下来的静态形状如下所示：

下图中带有？标记的就是形状没有固定下来的静态形状

更新静态形状：具体代码演示如下所示

创建三个占位符，前两个形状不固定，最后一个形状固定
使用set_shape更新未固定的静态形状
输出更新前与更新后的形状

a_ph1 = tf.placeholder(dtype=tf.float32, shape=[None, None])
b_ph1 = tf.placeholder(dtype=tf.float32, shape=[None, 10])
c_ph1 = tf.placeholder(dtype=tf.float32, shape=[3,2])
print("a_ph1:\n", a_ph1)
print("b_ph1:\n", b_ph1)
print("c_ph1:\n", c_ph1)

# 更新形状未确定的部分
a_ph1.set_shape([2,3])
b_ph1.set_shape([2,10])

print("a_ph1:\n", a_ph1)
print("b_ph1:\n", b_ph1)

运行结果如下图所示：

注意：c_ph的形状已经固定shape=(2,3)，因此不能更新该形状

动态形状：不管在什么情况下，想改变就可以改变
- tf.reshape(tensor, shape)

修改动态形状代码演示如下所示：

tf.reshape同样不会破坏原张量
会生成一个新的修改后的张量
若想修改维度固定的张量，如shape=[3,2]，需要保证数组内元素个数不变的情况下，进行reshape。
例如shape=[3,2]，可以将其reshape成[2,3]，[1,6]，[6,1]，总元素个数不变，都为6。

a_ph1 = tf.placeholder(dtype=tf.float32, shape=[None, None])
a_p_reshape = tf.reshape(a_ph1, shape=[6,6,6])
print("a_p_reshape:\n", a_p_reshape)

代码运行结果如下图所示：

【深度学习】TensorFlow张量的变换与修改

1. 张量的变换

1.1 类型改变

1.2 形状改变