给张量增加一个新的维度，会修改它的数据吗？

Question

我正在使用Python3.7.7。和Tensorflow 2.1.0。

我有一段代码：

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)

我得到了这个形状的(12, 12, 512)，但是我想要一个形状为(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，如果我添加一个新的维度，会修改它的数据吗？

Answer 1

添加维度不会修改数据。它只是更改数据的部门或维度。

例：

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，它只会向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看作是将数组附加到空数组。

通过使用reshape函数而不是expand_dims函数，您可以获得相同的结果。

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]]]])>

Answer 2

数据未被修改。

(N, 12, 12, 512)意味着您有N个具有(12, 12, 512)形状的元素。对于N=1，这意味着您有一个形状为(12, 12, 512)的元素，因此等效于(1, 12, 12, 512)。

进一步扩展维度只会继续这种逻辑：

(1,1,12,12,512)意味着您有一个元素和一个元素，该元素具有形状(12, 12, 512)。最后，我们仍然只有一个3D张量。

只有对于N>1，我们在张量中得到了不同数量的元素，这意味着我们已经修改了底层数据(例如，通过重复3D张量)。