TensorFlow 维度变换

文章目录

TensorFlow 维度变换
- 一.Reshape
- 二.tf.transpose
- 三.Squeeze和Expand_dims
Broadcasting
- 前言
- Broadcasting核心思想
- Broadcasting有什么好处
- Broadcasting演示

一.Reshape

这个方法是numpy的方法。不再赘述，需要说明的是，reshape虽然应用起来非常灵活。但是会造成一些问题。比如说，一个28乘以14的图片，你一不小心，把长宽的参数给搞反了，那么很容易就出bug。

而且，如果你真的想把长宽属性给颠倒一下，那么你就总得记住我哪个地方换了，那个地方没换，这样也很麻烦

二.tf.transpose

这个意思是：转置。这个单词其实本意是“交换，转换”。但实际上，转置也就意味着交换（英文真奇妙）

假设我这个长宽像素信息是按照[高度，宽度]存储的，我对这个矩阵转置，自然而然的就变成了[宽度，长度]。

在tensorFlow当中，tf.transpose的相关参数如下：

tf.transpose(a,perm=None,name='transpose',conjugate=False
) # 置换 a,根据 perm 重新排列尺寸

三.Squeeze和Expand_dims

Squeeze的英文含义：挤压。所以，从名称就可以知道，这是用来缩小维度的。

而Expand_dims从名字就可以看出，是用来升维的。

我们还以之前的，4个班级，每个班级35个学生，每个学生修8门课的示例为例：

In[105]：在Expand_dims当中，如果指定axis=0，那么就会在0轴之前增加维度
In[106]：若axis指定最后一个，那么就会在最后增加一个维度。
In[107] 和 In[108] : Expand_dims支持后向索引

关于squeeze，你可以像Expand_dims那样指定要操作的轴。除此之外呢，它还有一个特点，你若啥都不指定，那么会默认把所有的shape=1的维度给去掉（即：In[115]的部分）。

Broadcasting

前言

在Numpy当中就有Broadcasting，tensorFlow无缝继承了Numpy的Broadcasting，而且还进行了拓展了。总的来说，这是一种在不更新数据本身的情况下，对维度进行扩展的方法。

Broadcasting核心思想

在掌握Broadcasting的时候务必要知道以下要点：

首先，只适用于加减法。这是一个重要前提。

其次，知道如下步骤：

step1:首先，把两个数组，进行“右对齐”。比如说a.shape = [1,2,3,4], b.shape=[3,4]那么就首先把右侧的[3,4]部分对齐。
step2：如果二者维度相同，那么小的向大的靠拢，比如说：a.shape=[4,32,14,14]，b.shape=[14,14]。

那么，右对齐之后，（a+b).shape = [4,32,14,14]。这也算是一个要点：以短的为中心，必要的情况下，短的那个array，不断往前添1维。
step3：不过，对于step2这种情况下，也就只是1维的地方可以扩展。step2的时候，b的shape扩展为[1,1,14,14]，正是因为前面两个是1，所以才能扩展。如果a.shape=[4,32,14,14]，b.shape=[2,32,14,14]。那么不可以进行Broadcasting，因为b的第一维是2.

有一幅图，很好的反映了Broadcasting：

Broadcasting有什么好处

首先，Broadcasting不会额外占用内存，所以，更加的节省空间

其次，现实确实需要这种需求，比如说，我有一组数据[classes, students, courses] = [4,32,8]。存在一个数组a当中代表一共4个班级，每个班级32个学生，每个学生修8门课程。我现在要把每个学生的每个课程的分数都加五分。

那么我大可以写[4,32,8] +[5.0]（当然了，后面这个5.0是个8列的数据）

Broadcasting演示

In [1]: import tensorflow as tf
In [2]: import numpy as np
In [3]: x = tf.random.normal([4,32,32,3])
In [4]: (x+tf.random.normal([3])).shape
Out[4]: TensorShape([4, 32, 32, 3])In [5]: (x+tf.random.normal([32,32,1])).shape
Out[5]: TensorShape([4, 32, 32, 3])In [6]: (x+tf.random.normal([4,1,1,1])).shape
Out[6]: TensorShape([4, 32, 32, 3])In [7]: x.shape
Out[7]: TensorShape([4, 32, 32, 3])In [8]: (x+tf.random.normal([4,1,1,1])).shape
Out[8]: TensorShape([4, 32, 32, 3])In [9]: b = tf.broadcast_to(tf.random.normal([4,1,1,1]),[4,32,32,3])
# 把shape为[4,1,1,1]的broadcast称为[4,32,32,3]，如果不能Broadcasting，那么会报错In [10]: b.shape
Out[10]: TensorShape([4, 32, 32, 3])