TensorFlow张量在numpy argmax vs keras argmax中的处理方式不同

Question

为什么TensorFlow张量在Numpy中的数学函数行为与在Keras中的数学函数中的行为不同？

Numpy数组似乎在与TensorFlow张量相同的情况下正常工作。

此示例显示在numpy函数和keras函数下正确地处理了numpy矩阵。

import numpy as np
from keras import backend as K

arr = np.random.rand(19, 19, 5, 80)

np_argmax = np.argmax(arr, axis=-1)
np_max = np.max(arr, axis=-1)

k_argmax = K.argmax(arr, axis=-1)
k_max = K.max(arr, axis=-1)

print('np_argmax shape: ', np_argmax.shape)
print('np_max shape: ', np_max.shape)
print('k_argmax shape: ', k_argmax.shape)
print('k_max shape: ', k_max.shape)

产出(如预期)

np_argmax shape:  (19, 19, 5)
np_max shape:  (19, 19, 5)
k_argmax shape:  (19, 19, 5)
k_max shape:  (19, 19, 5)

与本例相反

import numpy as np
from keras import backend as K
import tensorflow as tf

arr = tf.constant(np.random.rand(19, 19, 5, 80))

np_argmax = np.argmax(arr, axis=-1)
np_max = np.max(arr, axis=-1)

k_argmax = K.argmax(arr, axis=-1)
k_max = K.max(arr, axis=-1)

print('np_argmax shape: ', np_argmax.shape)
print('np_max shape: ', np_max.shape)
print('k_argmax shape: ', k_argmax.shape)
print('k_max shape: ', k_max.shape)

哪种输出

np_argmax shape:  ()
np_max shape:  (19, 19, 5, 80)
k_argmax shape:  (19, 19, 5)
k_max shape:  (19, 19, 5)

Answer 1

您需要执行/运行代码(例如在TF会话下)来评估张量。在此之前，不计算张量的形状。

信托基金的医生说：

张量中的每个元素都具有相同的数据类型，并且数据类型总是已知的。形状(即它所拥有的维数和每个维度的大小)可能只部分已知。大多数操作产生完全已知形状的张量，如果输入的形状也是完全已知的，但在某些情况下，只有在图执行时才能找到张量的形状。

Answer 2

为什么不为第二个示例尝试以下代码：

import numpy as np
from keras import backend as K
import tensorflow as tf

arr = tf.constant(np.random.rand(19, 19, 5, 80))
with tf.Session() as sess:
    arr = sess.run(arr)

np_argmax = np.argmax(arr, axis=-1)
np_max = np.max(arr, axis=-1)

k_argmax = K.argmax(arr, axis=-1)
k_max = K.max(arr, axis=-1)

print('np_argmax shape: ', np_argmax.shape)
print('np_max shape: ', np_max.shape)
print('k_argmax shape: ', k_argmax.shape)
print('k_max shape: ', k_max.shape)

在arr = tf.constant(np.random.rand(19, 19, 5, 80))之后，arr的类型是tf.Tensor，但是在运行arr = sess.run(arr)之后，它的类型将被更改为numpy.ndarray。