我开始使用Keras和TensorFlow进行深度学习。在最初阶段，我遇到了一个疑问。当我使用tf.contrib.layers.flatten（API 1.8）来展平图像时（图像可能是多通道的）。
这与使用numpy的flatten函数有什么不同？这对训练有什么影响？我注意到tf.contrib.layers.flatten比numpy的flatten花费的时间更长。它在做一些额外的事情吗？
这是一个非常接近的问题，但这里的接受答案包括了Theano，并没有完全解决我的疑问。
示例：假设我有一个训练数据，形状为(10000,2,96,96)。现在我需要输出形状为(10000,18432)。我可以使用tensorflow的flatten或使用numpy的flatten来实现，如下所示：
X_reshaped = X_train.reshape(*X_train.shape[:1], -2)这对训练有什么不同，哪种做法是最佳实践？
回答：
np.flatten和tf.layers.flatten（或tf.contrib.layers.flatten）之间的最大区别在于，numpy操作仅适用于静态的nd数组，而tensorflow操作可以处理动态张量。动态在这里意味着确切的形状只有在运行时（训练或测试）才知道。
因此，我的建议非常简单：
- 如果输入数据是静态的numpy数组，例如在预处理中，使用
np.flatten。这可以避免不必要的开销，并且返回的也是numpy数组。 - 如果数据已经是张量，使用tensorflow提供的任何
flatten操作。在这些操作中，tf.layers.flatten是更好的选择，因为tf.layersAPI比tf.contrib.*更稳定。
