利用tensor_shape_from_node_def_name()函数获取TensorFlow图中节点的张量形状

在TensorFlow中，可以使用tensor_shape_from_node_def_name()函数来获取图中节点的张量形状。该函数接受一个节点名称作为参数，并返回对应节点的张量形状。

下面是一个使用例子：

import tensorflow as tf

# 构建一个简单的TensorFlow计算图
a = tf.placeholder(tf.float32, shape=(None, 10), name='input')
b = tf.layers.dense(a, units=20)
c = tf.layers.dense(b, units=10, activation=tf.nn.relu, name='output')

# 获取节点的张量形状
output_shape = tf.TensorShape(tf.Session().graph.get_tensor_by_name('output:0').shape)
print("Output shape:", output_shape)

在上面的例子中，我们首先构建了一个简单的计算图。计算图包含一个输入节点input，一个全连接层dense，和一个输出节点output。

然后，我们使用tf.Session().graph.get_tensor_by_name()函数获取了output节点的张量对象。通过调用张量对象的shape属性，我们可以获得output节点的张量形状。

最后，我们打印了输出节点的张量形状。

需要注意的是，获取节点的张量形状需要在TensorFlow会话中进行。因此，我们创建了一个临时的会话对象tf.Session()，并在该会话中调用graph.get_tensor_by_name()函数来获取节点对象。

总结起来，使用tensor_shape_from_node_def_name()函数获取TensorFlow图中节点的张量形状的步骤包括：

1. 构建计算图。

2. 创建一个会话对象。

3. 使用graph.get_tensor_by_name()函数获取目标节点的张量对象。

4. 调用张量对象的shape属性来获取张量形状。