一函数原型

tf.transpose( a, perm=None, name='transpose', conjugate=False )

a:表示的是需要变换的张量

perm:a的新的维度序列

name:操作的名字，可选的

conjugate:可选的，设置成True，那么就等于tf.conj(tf.transpose(input)),用的太少啦，这里不展示它的例子了！

二例子

例子一：最简单的二维的transpose，就是矩阵的转置

import tensorflow as tf
import numpy as npA = np.array([[1, 2, 3], [4, 5, 6]])
X = tf.transpose(A, [1, 0])with tf.Session() as sess:print("original:",A)print("tranpose:",sess.run(X))

结果：其实就是第一行变成第一列，第二行变成第二列，原本的大小是[2,3]，现在变成了[3,2]

original: [[1 2 3][4 5 6]]
tranpose: [[1 4][2 5][3 6]]

例子二：三维，一个三维的array，shape为[i,j,k],可以看成是i个[j,k]的二维数组，那么i在这个三维数组的高度，j表示的是二维数组的行数，k表示的是二维数组的列数。

import tensorflow as tf
import numpy as npA=np.arange(12).reshape([2,3,2])
X=tf.transpose(A,[0,2,1])
Y=tf.transpose(A,[1,0,2])
with tf.Session() as sess:print("original:")print(A)print("transpose [0,2,1]:")print(sess.run(X))print("transpose [0,2,1]‘s shape:")print(X.get_shape().as_list())print("transpose [1,0,2]:")print(sess.run(Y))print("transpose [1,0,2]'s shape")print(Y.get_shape().as_list())

结果:

original:
[[[ 0  1][ 2  3][ 4  5]][[ 6  7][ 8  9][10 11]]]
transpose [0,2,1]:
[[[ 0  2  4][ 1  3  5]][[ 6  8 10][ 7  9 11]]]
transpose [0,2,1]‘s shape:
[2, 2, 3]
transpose [1,0,2]:
[[[ 0  1][ 6  7]][[ 2  3][ 8  9]][[ 4  5][10 11]]]
transpose [1,0,2]'s shape
[3, 2, 2]

你可以观察上面的结果，原本输入的shape为[2,3,2]，经过transpose(perm=[0,2,1])也就是将第二维度和第三维度进行调换，得到的shape为[2,2,3]，同理经过transpose(perm=[1,0,2])也就是将第一和第二维度进行调换，得到的shape为[3,2,2].

你可以很清楚的观察到是怎么进行变换的，同样你可以知道原本的A[1][1][0]经过transpose([0,2,1])之后变成了X[1][0][1].同样的原本的A[0][1][1]经过transpose([1,0,2])也就变成了Y[1][0][1].下面的代码你可以看出结论是正确的！

import tensorflow as tf
import numpy as npA=np.arange(12).reshape([2,3,2])
X=tf.transpose(A,[0,2,1])
Y=tf.transpose(A,[1,0,2])
with tf.Session() as sess:print("A[1][1][0]:")print(A[1][1][0])print("transpose [0,2,1]:X[1][0][1]")print(sess.run(X)[1][0][1])print("A[0][1][1]:")print(A[0][1][1])print("transpose [1,0,2]:Y[1][0][1]")print(sess.run(Y)[1][0][1])

结果：

A[1][1][0]:
8
transpose [0,2,1]:X[1][0][1]
8
A[0][1][1]:
3
transpose [1,0,2]:Y[1][0][1]
3

例子三：四维，应用在图像上一般！

import tensorflow as tf
import numpy as npA=np.arange(24).reshape([2,3,2,2])
X=tf.transpose(A,[0,2,1,3])
Y=tf.transpose(A,[1,0,3,2])with tf.Session() as sess:print("A")print(A)print("X.shape")print(X.get_shape().as_list())print("X")print(sess.run(X))print("Y.shape")print(Y.get_shape().as_list())print("Y")print(sess.run(Y))

结果：

A
[[[[ 0  1][ 2  3]][[ 4  5][ 6  7]][[ 8  9][10 11]]][[[12 13][14 15]][[16 17][18 19]][[20 21][22 23]]]]
X.shape
[2, 2, 3, 2]
X
[[[[ 0  1][ 4  5][ 8  9]][[ 2  3][ 6  7][10 11]]][[[12 13][16 17][20 21]][[14 15][18 19][22 23]]]]
Y.shape
[3, 2, 2, 2]
Y
[[[[ 0  2][ 1  3]][[12 14][13 15]]][[[ 4  6][ 5  7]][[16 18][17 19]]][[[ 8 10][ 9 11]][[20 22][21 23]]]]

你可以自己随便的输出几个点看看结果对不对，比如A[0][1][0][0]肯定是等于X[0][0][1][0],肯定等于Y[1][0][0][0].这里就不写啦！

三对于四维的数组，[batch_size,height,width,nchannels]，我们只需要旋转第二第三维度怎么操作，需要用到tf.transpose()和tf.reverse()

tf.reverse()我之前写过博客，可以查看：tf.reverse()

代码如下：

import tensorflow as tf
import numpy as npdef rotate_90_cc(inputs):rotates = tf.transpose(inputs, [0, 2, 1, 3])rotates = tf.reverse(rotates, axis=[1])return rotatesA=np.arange(24).reshape([2,3,2,2])
X=tf.transpose(A,[0,2,1,3])with tf.Session() as sess:print("A")print(A)print("X")print(sess.run(X))print("rotate_90_cc:")print(sess.run(rotate_90_cc(A)))print("我们取出A[0,:,:,0]与进行rotate_90_cc之后的结果看看，发现进行了逆时针选择90度：")print("A[0,:,:,0]:")print(A[0,:,:,0])print("rotate之后的结果")print(sess.run(rotate_90_cc(A))[0,:,:,0])

结果：你可以看到操作就是现将我们的tensor进行第二第三维度的transpose,之后在在axis=1上进行reverse.

A
[[[[ 0  1][ 2  3]][[ 4  5][ 6  7]][[ 8  9][10 11]]][[[12 13][14 15]][[16 17][18 19]][[20 21][22 23]]]]
X
[[[[ 0  1][ 4  5][ 8  9]][[ 2  3][ 6  7][10 11]]][[[12 13][16 17][20 21]][[14 15][18 19][22 23]]]]
rotate_90_cc:
[[[[ 2  3][ 6  7][10 11]][[ 0  1][ 4  5][ 8  9]]][[[14 15][18 19][22 23]][[12 13][16 17][20 21]]]]
我们取出A[0,:,:,0]与进行rotate_90_cc之后的结果看看，发现进行了逆时针选择90度：
A[0,:,:,0]:
[[ 0  2][ 4  6][ 8 10]]
rotate之后的结果
[[ 2  6 10][ 0  4  8]]

tf.transpose()相关推荐

tf.reshape 和 tf.transpose 用法
import tensorflow as tf x= tf.constant([[2,3],[4,5],[6,7]],tf.int32) print(x.numpy()) [[2 3][4 5][6 ...
tensorflow的tf.transpose()简单使用
tf.transpose(input, [dimension_1, dimenaion_2,..,dimension_n]):这个函数主要适用于交换输入张量的不同维度用的,如果输入张量是二维,就相当是 ...
tf.transpose
tf.transpose(input, [dimension_1,dimenaion_2,..,dimension_n]) 这个函数主要适用于交换输入张量的不同维度用的,如果输入张量是二维,就相当是转 ...
tf.transpose()个人理解，高纬度的变换，可以将部分维度看成黑盒（整体）
一函数原型 tf.transpose( a, perm=None, name='transpose', conjugate=False ) a:表示的是需要变换的张量 perm:a的新的维度序列 n ...
tf.transpose()函数(转）
tensorflow里面许多针对数组操作的函数,官方文档又看了没啥卵用,网上帖子直接copy官方文档而不解释,只能自己写个程序测试理解,以3个维度的tensor进行理解 tf.transpose()作 ...
tf.transpose详解（能懂版）
看到网上大部分博客都没说清楚,就来写一篇 tf.transpose()官方例程: def transpose(a, perm=None, name="transpose"):&qu ...
tf.transpose用法
tf.transpose:意为转置转置`a`. 根据`perm`排列尺寸. 返回的张量的维度i将对应于输入维`perm [i]`. 如果未给出`perm`,则将其设置为(n-1 ... 0),其中n ...
tf 矩阵行和列交换_tf.transpose函数的用法讲解
tf.transpose函数中文意思是转置,对于低维度的转置问题,很简单,不想讨论,直接转置就好(大家看下面文档,一看就懂). tf.transpose(a, perm=None, name='tra ...
通俗易懂！使用Excel和TF实现Transformer
作者 | 石晓文转载自小小挖掘机(ID:wAIsjwj) 本文旨在通过最通俗易懂的过程来详解Transformer的每个步骤! 假设我们在做一个从中文翻译到英文的过程,我们的词表很简单如下: 中文词 ...

tf.transpose()

一函数原型

二例子

例子一：最简单的二维的transpose，就是矩阵的转置

例子二：三维，一个三维的array，shape为[i,j,k],可以看成是i个[j,k]的二维数组，那么i在这个三维数组的高度，j表示的是二维数组的行数，k表示的是二维数组的列数。

例子三：四维，应用在图像上一般！

tf.transpose()相关推荐

最新文章

热门文章

tf.transpose()

一 函数原型

二 例子

例子一：最简单的二维的transpose，就是矩阵的转置

例子二：三维，一个三维的array，shape为[i,j,k],可以看成是i个[j,k]的二维数组，那么i在这个三维数组的高度，j表示的是二维数组的行数，k表示的是二维数组的列数。

例子三：四维，应用在图像上一般！

tf.transpose()相关推荐

最新文章

热门文章

一函数原型

二例子