一、tf.shape函数

tf.shape函数是TensorFlow中的一个重要函数，可以用于获取张量的维度信息。该函数可以接受不同类型的参数，如张量、SparseTensor、变量等。

import tensorflow as tf
a = tf.constant([[1, 2], [3, 4]])
shape_a = tf.shape(a)
print(shape_a)  # Tensor("Shape:0", shape=(2,), dtype=int32)

上述代码展示了如何使用tf.shape函数获取张量a的形状。在这里，shape_a返回的结果是一个维度为2的Tensor，其中shape_a[0]代表了a的行数，shape_a[1]代表了a的列数。

二、tf.shape返回值

tf.shape函数返回的是一个Tensor。如果要获取Tensor中的值，需要使用相应的方法或进行计算。比如，如果需要获取张量a的行数，可以使用shape_a[0]进行访问。

import tensorflow as tf
a = tf.constant([[1, 2], [3, 4]])
shape_a = tf.shape(a)
rows = shape_a[0]
cols = shape_a[1]
print('Rows: ', rows)  # 2
print('Cols: ', cols)  # 2

上述代码展示了如何使用tf.shape返回的Tensor对象获取张量的维度信息，并进行相应的操作。

三、tf.shape无法迭代

尽管tf.shape返回的是一个Tensor，但这个Tensor无法被迭代。如果希望迭代一个Tensor中的所有元素，可以使用tf.map_fn等函数进行处理。

四、tf.shape() 维度顺序

tf.shape()函数与其他获取维度的函数（如get_shape）返回的维度顺序略有不同。tf.shape()返回的是Tensor对象，需要进行相应的操作才能获取张量的维度信息。

import tensorflow as tf
a = tf.constant([[1, 2], [3, 4]])
shape_a = a.get_shape()
shape_a_tf = tf.shape(a)
print('get_shape: ', [d for d in shape_a])  # [2, 2]
print('shape: ', shape_a_tf)  # Tensor("Shape:0", shape=(2,), dtype=int32)

上述代码中，分别采用get_shape和tf.shape函数获取张量a的维度信息，并对其进行对比。可以发现，get_shape返回的是一个元组对象，包含了张量的所有维度信息，而tf.shape返回的是一个Tensor对象，需要通过调用Session执行计算并返回具体的值。

五、tf.shape和get_shape选取

在TensorFlow中，获取张量的维度信息有多种方式，除了上述提到的tf.shape和get_shape之外，还有一些其他的函数，如rank等。不同的函数适用于不同的场景，在实际开发中需要灵活选择。一般而言，get_shape适用于静态定义的张量，而tf.shape则更加灵活、适用于动态生成的张量。