tf.shape(a)和a.get_shape()比较

相同点：都可以得到tensor a的尺寸

不同点：tf.shape()中a 数据的类型可以是tensor, list, array

　　　　a.get_shape()中a的数据类型只能是tensor,且返回的是一个元组（tuple）

import tensorflow as tf  
import numpy as np  

x=tf.constant([[1,2,3],[4,5,6]]  
y=[[1,2,3],[4,5,6]]  
z=np.arange(24).reshape([2,3,4]))  

sess=tf.Session()  
# tf.shape()  
x_shape=tf.shape(x)                    #  x_shape 是一个tensor  
y_shape=tf.shape(y)                    #  <tf.Tensor 'Shape_2:0' shape=(2,) dtype=int32>  
z_shape=tf.shape(z)                    #  <tf.Tensor 'Shape_5:0' shape=(3,) dtype=int32>  
print sess.run(x_shape)              # 结果:[2 3]  
print sess.run(y_shape)              # 结果:[2 3]  
print sess.run(z_shape)              # 结果:[2 3 4]  


# a.get_shape()  
# 返回的是TensorShape([Dimension(2), Dimension(3)]),
# 不能使用 sess.run() 因为返回的不是tensor 或string,而是元组  
x_shape=x.get_shape()  
x_shape=x.get_shape().as_list()  # 可以使用 as_list()得到具体的尺寸，x_shape=[2 3]  
y_shape=y.get_shape()  # AttributeError: 'list' object has no attribute 'get_shape'  
z_shape=z.get_shape()  # AttributeError: 'numpy.ndarray' object has no attribute 'get_shape'  
或者a.shape.as_list()

tf.shape(x)

　　tf.shape()中x数据类型可以是tensor，list，array，返回是一个tensor.

shape=tf.placeholder(tf.float32, shape=[None, 227,227,3] )

　　我们经常会这样来feed数据,如果在运行的时候想知道None到底是多少,这时候,只能通过tf.shape(x)[0]这种方式来获得.

　　由于返回的时tensor，所以我们可以使用其他tensorflow节点操作进行处理，如下面的转置卷积中，使用stack来合并各个shape的分量，

def conv2d_transpose(x, input_filters, output_filters, kernel, strides):
    with tf.variable_scope('conv_transpose'):

        shape = [kernel, kernel, output_filters, input_filters]
        weight = tf.Variable(tf.truncated_normal(shape, stddev=0.1), name='weight')

        batch_size = tf.shape(x)[0]
        height = tf.shape(x)[1] * strides
        width = tf.shape(x)[2] * strides
        output_shape = tf.stack([batch_size, height, width, output_filters])
return tf.nn.conv2d_transpose(x, weight, output_shape, strides=[1, strides, strides, 1], name='conv_transpose')

tensor.get_shape()

　　只有tensor有这个方法， 返回是一个tuple。也正是由于返回的是TensorShape([Dimension(2), Dimension(3)])这样的元组，所以可以调用as_list化为[2, 3]样list，或者get_shape()[i].value得到具体值.

tensor.set_shape()

　　设置tensor的shape，一般不会用到，在tfrecode中，由于解析出来的tensor不会被设置shape，后续的函数是需要shape的维度等相关属性的，所以这里会使用.