1. 介绍
在使用TensorFlow进行深度学习时，我们经常需要获取张量（Tensor）的形状信息。TensorFlow提供了两种方法来获取张量的形状，即tf.shape(tensor)和tensor.shape()。虽然这两种方法在功能上是相似的，但它们在一些细节上有一些区别。本文将详细介绍这两种方法的区别。
2. tf.shape(tensor)
2.1 功能
tf.shape(tensor)是TensorFlow中的一个函数，它的功能是返回一个张量（Tensor）的形状信息。它的返回值是一个tf.Tensor对象，这个对象的形状为[rank(tensor)].
2.2 用法
tf.shape(tensor)方法的用法非常简单，只需传入一个张量即可，如下所示：
import tensorflow as tf
x = tf.placeholder(tf.float32, shape=(None, 10))
shape = tf.shape(x)
with tf.Session() as sess:
print(sess.run(shape))
在上面的代码中，我们定义了一个占位符x，并使用tf.shape(x)获取了张量x的形状信息。然后，我们创建一个会话（session）并执行了这个操作，得到了一个形状为[2]的张量，表示x的形状为[None, 10]，其中None表示该维度可以是任意值。
3. tensor.shape()
3.1 功能
tensor.shape()是张量对象的一个成员方法（method），它的功能同样是返回一个张量的形状信息。它的返回值是一个元组（Tuple）。
3.2 用法
tensor.shape()方法的用法非常简单，只需通过一个张量对象调用这个方法即可，如下所示：
import tensorflow as tf
x = tf.placeholder(tf.float32, shape=(None, 10))
shape = x.shape
with tf.Session() as sess:
print(sess.run(shape))
在上面的代码中，我们使用x.shape获取了张量x的形状信息。然后，我们创建一个会话并执行了这个操作，得到了一个形状为(None, 10)的元组，与tf.shape的结果一致。
4. 区别与总结
4.1 返回类型
tf.shape(tensor)返回一个tf.Tensor对象，而tensor.shape()返回一个元组（Tuple）。这意味着使用tf.shape(tensor)可以进一步进行计算和操作，而使用tensor.shape()不能直接进行计算和操作。
4.2 可用性
tf.shape(tensor)可以在计算图构建阶段使用，而tensor.shape()只能在会话（session）运行时使用。
总之，tf.shape(tensor)和tensor.shape()都可以用来获取张量的形状信息，但在一些细节上有所不同。使用tf.shape(tensor)可以进一步进行计算和操作，而tensor.shape()只能在会话（session）运行时使用。因此，根据实际情况选择合适的方法来获取张量的形状信息。