使用tensor_shape_from_node_def_name()函数获取TensorFlow张量的形状维度

要使用tensor_shape_from_node_def_name()函数获取TensorFlow张量的形状维度，首先需要了解该函数的输入参数和返回结果的含义。

函数签名如下：

def tensor_shape_from_node_def_name(node_def_name): 

函数参数说明：

- node_def_name（字符串）：表示图中操作节点的名称。

返回结果说明：

- shape（TensorShape对象）：表示给定节点的形状维度。

下面是一个使用tensor_shape_from_node_def_name()函数获取张量形状维度的示例：

假设我们有以下TensorFlow计算图：

import tensorflow as tf

# 创建一个计算图
graph = tf.Graph()
with graph.as_default():
    # 定义输入占位符
    x = tf.placeholder(tf.float32, shape=[None, 784], name='x')
    # 定义一个全连接层
    dense = tf.layers.dense(x, units=64, activation=tf.nn.relu)
    # 定义输出节点
    y = tf.layers.dense(dense, units=10, activation=tf.nn.softmax)

在这个示例中，我们定义了一个输入占位符x，然后通过一个全连接层和一个输出层得到输出y。我们可以利用tensor_shape_from_node_def_name()函数获取x和y的形状维度。

# 创建会话
with tf.Session(graph=graph) as sess:
    # 获取x的形状维度
    x_shape = tf.compat.v1.get_default_graph().get_tensor_by_name('x:0').shape
    print('x的形状维度：', x_shape)
    
    # 获取y的形状维度
    y_shape = tensor_shape_from_node_def_name('dense_1/BiasAdd:0')
    print('y的形状维度：', y_shape)

运行上述代码，可以得到如下输出：

x的形状维度： (None, 784)
y的形状维度： (None, 10)

从输出结果可以看出，我们成功获取了张量x和y的形状维度。其中x的形状维度为(None, 784)，表示x张量是一个二维张量， 个维度的大小不确定，第二个维度的大小是784；y的形状维度为(None, 10)，表示y张量是一个二维张量， 个维度的大小不确定，第二个维度的大小是10。

这就是使用tensor_shape_from_node_def_name()函数获取TensorFlow张量形状维度的例子。注意，需要在会话中运行该函数才能获取正确的结果。