¿Cómo entender la forma estática y la forma dinámica en TensorFlow?

A veces la forma de un tensor depende de un valor que se calcula en tiempo de ejecución. Tomemos el siguiente ejemplo, donde x se define como un tf.placeholder() vector con cuatro elementos:

x = tf.placeholder(tf.int32, shape=[4])
print x.get_shape()
# ==> '(4,)'

El valor de x.get_shape() es la forma estática de x, y el (4,) significa que es un vector de longitud 4. Ahora vamos a aplicar el tf.unique() op x

y, _ = tf.unique(x)
print y.get_shape()
# ==> '(?,)'

El (?,) significa que y es un vector de longitud desconocida. ¿Por qué se desconoce? tf.unique(x) devuelve el valores únicos de x, y los valores de x son desconocidos, porque es un tf.placeholder(), por lo que no tiene valor hasta que se alimentan. Veamos qué pasa si alimentas dos valores diferentes:

sess = tf.Session()
print sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape
# ==> '(4,)'
print sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape
# ==> '(1,)'

Esperemos que esto deje claro que un tensor puede tener una forma estática y dinámica diferente. La forma dinámica siempre está completamente definida-no tiene dimensiones ?-pero la forma estática puede ser menos específica. Esto es lo que permite a TensorFlow soportar operaciones como tf.unique() y tf.dynamic_partition(), que pueden tener salidas de tamaño variable, y se utilizan en aplicaciones avanzadas.

Finalmente, el tf.shape() op se puede usar para obtener la forma dinámica de un tensor y usarla en un cálculo de TensorFlow:

z = tf.shape(y)
print sess.run(z, feed_dict={x: [0, 1, 2, 3]})
# ==> [4]
print sess.run(z, feed_dict={x: [0, 0, 0, 0]})
# ==> [1]