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

在TensorFlow中，可以通过tensor_shape_from_node_def_name()函数获取图中节点的张量形状信息。这个函数接受一个字符串参数，代表节点的名称，并返回该节点的张量形状信息。

下面是一个使用tensor_shape_from_node_def_name()函数的例子：

import tensorflow as tf

# 创建一个 TensorFlow 图
a = tf.placeholder(tf.float32, shape=[None, 10], name='Input')
b = tf.layers.dense(a, 20, name='Dense')
c = tf.layers.dense(b, 30, name='Output')

# 获取节点 'Dense' 的张量形状信息
dense_shape = tf.TensorShape(tf.get_default_graph().get_tensor_by_name('Dense/BiasAdd:0').shape)
print('Dense Shape: {}'.format(dense_shape))

# 获取节点 'Output' 的张量形状信息
output_shape = tf.TensorShape(tf.get_default_graph().get_tensor_by_name('Output/BiasAdd:0').shape)
print('Output Shape: {}'.format(output_shape))

在上面的例子中，首先我们创建了一个包含两个全连接层的神经网络。然后，我们使用tf.get_default_graph().get_tensor_by_name()函数获取了两个节点的具体名称，这两个节点分别是'Dense'和'Output'。接着，我们用tf.TensorShape()函数将节点的形状信息转换为tf.TensorShape对象，方便打印和查看。最后，我们通过打印这两个节点的形状信息，来验证tensor_shape_from_node_def_name()函数的输出。

这是上面代码的输出结果：

Dense Shape: (?, 20)
Output Shape: (?, 30)

从输出结果中可以看出，节点'Dense'的形状是(?，20)，其中?表示该维度可以是任意大小。节点'Output'的形状是(?，30)。

总结起来，可以利用tensor_shape_from_node_def_name()函数获取TensorFlow图中节点的张量形状信息，可以通过名称获取节点，并使用tf.TensorShape()函数将节点的形状信息转换为tf.TensorShape对象方便查看和分析。