爲什麼在Tensorflow中使用reshape和expand_dims會得到不同的結果？

總體來說，我寫使用Tensorflow一個RNN模型。我繼承RNNCell並自定義我自己的單元格。最後，我使用dynamic_rnn來構建整個RNN。細節是我想將張量從shape [n，m]轉換爲[n，m，1]。我使用兩種方法來實現這一點：爲什麼在Tensorflow中使用reshape和expand_dims會得到不同的結果？

tf.reshape(matrix, [n, m, 1]) # the first method 
tf.expand_dims(matrix, -1) # the second method

我期望是，使用這兩種方法，我會得到完全相同的訓練和預測結果（所有的隨機種子是固定的）。但結果是不同的。我很困惑。

來源

2016-11-13 jzb

tf.reshape只是重新排列元素，但tf.expand_dims增加了一個層面，你的張量。它們的功能是不同的。

但是，你所期望的是，由於隨機初始化，每次你訓練的結果應該是略有不同。

來源

2016-11-13 03:30:17

謝謝！我用session.run得到兩個'重塑的結果（矩陣，[N，M，1]）'和'expand_dims（矩陣，-1）'，它們是完全一樣的。「他們的職能是不同的」是什麼意思？我設置了固定的隨機種子，因此每次運行代碼時都沒有隨機性。 – jzb

因此，您始終使用相同的輸入獲得相同的結果？ –

是的，如果我堅持用方法1（或方法2），我總是得到相同的結果，因爲隨機種子是固定的。但是如果我將代碼從方法1切換到方法2（反之亦然），我會得到不同的結果。 – jzb

爲什麼在Tensorflow中使用reshape和expand_dims會得到不同的結果？

回答

相關問題