TensorFlow训练时如何获取张量的实际形状而非含None的静态形状

你遇到的.shape返回带None的结果、直接打印tf.shape只能输出符号张量定义，是因为TensorFlow默认先构建计算图再执行，普通Python的print只会在图构建阶段运行一次，不会在训练执行阶段输出实际值。

核心解决逻辑 #

用tf.shape(张量)获取动态形状的计算节点，结合对应方式拿到执行时的实际值：

• 仅需要打印查看实际形状：把普通print替换为tf.print，这个操作会被插入计算图，训练执行时会输出当前批次的实际形状。
• 需要把形状值用到后续张量计算逻辑里：直接取tf.shape(张量)的对应维度即可，运行时会自动代入实际值。
• 调试阶段想要用普通Python语法直接获取值：给model.fit添加run_eagerly=True参数开启eager执行模式，此时直接用print(features.shape)也能拿到实际形状，但是该模式会大幅降低训练性能，仅适合调试用。

修改后的代码示例 #

class ALayer(tensorflow.keras.layers.Layer):
    def call(self, inputs):
        features = tf.matmul(inputs, self.kernel) + self.bias
        
        # 打印实际形状，训练时会输出 [128 64] 这类实际值
        tf.print("当前张量实际形状：", tf.shape(features))
        
        # 获取实际批次大小，可直接用于后续计算
        batch_size = tf.shape(features)[0]
        # 示例：用实际批次大小做reshape操作
        features = tf.reshape(features, (batch_size, 64))
        
        return features

# 其余代码不变，调试阶段可给fit加run_eagerly=True
# model.fit(train_dataset, validation_data=val_dataset, run_eagerly=True)
model.fit(train_dataset, validation_data=val_dataset)

补充说明：带None的是静态形状，是编译期确定的形状信息，仅包含固定维度；tf.shape返回的是动态形状对应的计算节点，运行时会自动算出实际值，返回的张量可以直接参与所有张量运算，不需要额外转换。

内容的提问来源于stack exchange，提问作者Dr. Strangelove