python - Tensorflow 中的 tf.expand_dims 和 tf.newaxis 有什么区别？

Question

大家好，我是 Tensorflow 的新手。
我想改变张量的维度，我找到了3种方法来实现这个，如下所示:

a = tf.constant([[1,2,3],[4,5,6]]) # shape (2,3)

# change dimention of a to (2,3,1)
b = tf.expand_dims(a,2)   # shape(2,3,1)
c = a[:,:,tf.newaxis]     # shape(2,3,1)
d = tf.reshape(a,(2,3,1)) # shape(2,3,1)

这 3 种方法之间有什么区别吗？在性能方面？
我应该使用哪种方法？

Answer 1

三者之间没有真正的区别，但有时一个或另一个可能更方便:

• tf.expand_dims(a, 2):当你想添加一个维度并且它的索引是可变的(例如另一个 TensorFlow 操作的结果，或者一些函数参数)时很方便。根据您的风格，您可能会发现它更具可读性，因为它清楚地表达了添加维度的意图。
• a[:,:,tf.newaxis]:我个人经常使用它，因为我发现它可读性强(可能是因为我在 NumPy 中习惯了它)，尽管并非在所有情况下.如果您想添加多个维度(而不是多次调用 tf.expand_dims)，则特别方便。另外(显然)如果您想切片并同时添加新维度。但是，它不适用于可变轴索引，如果您有多个维度，tf.expand_dims 可能不会那么困惑。
• tf.reshape(a,(2,3,1)):我个人很少或从不使用它来添加维度，因为它需要我知道并指定所有(或所有但是一个)剩余的尺寸大小，并且在阅读代码时也可能会产生误导。但是，如果我需要 reshape 和添加维度，我通常会在同一个操作中进行。