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！

技巧：！！！如transpose（A，[1,0,2]）则看成2维的，第三维看做一个整体做变换，同理transpose（A，[1,0,3,2]）将第三和四维看成一个整体黑盒子，先做0,1变换，完成之后，低纬度的固定做2,3变换。！！！

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 np
A = 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 np
A=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 np
A=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 np
A=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 np
def rotate_90_cc(inputs):
rotates = tf.transpose(inputs, [0, 2, 1, 3])
rotates = tf.reverse(rotates, axis=[1])
return rotates
A=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()个人理解，高纬度的变换，可以将部分维度看成黑盒（整体）相关推荐

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()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()
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 ...
理解离散傅立叶变换（一）
理解离散傅立叶变换(一) ------傅立叶变换的由来关于傅立叶变换,无论是书本还是在网上可以很容易找到关于傅立叶变换的描述,但是大都是些故弄玄虚的文章,太过抽象,尽是一些让人看了就望而生畏的公式 ...
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 ...
理解离散傅立叶变换（三.复数）
理解离散傅立叶变换(三) ------复数形式离散傅立叶变换复数形式的离散傅立叶变换非常巧妙地运用了复数的方法,使得傅立叶变换变换更加自然和简洁,它并不是只是简单地运用替换的方法来运用复数,而是完全 ...
理解离散傅立叶变换（一. 傅立叶变换的由来）
理解离散傅立叶变换(一) ------傅立叶变换的由来关于傅立叶变换,不管是书本还是在网上可以非常easy找到关于傅立叶变换的描写叙述,可是大都是些故弄玄虚的文章,太过抽象,尽是一些让人看了就望而生 ...
tf.nn.conv2d理解(带通道的卷积图片输出案例)
三篇参考: 1.https://blog.csdn.net/goodshot/article/details/79655915 TF-卷积函数 tf.nn.conv2d 介绍 2.https://bl ...

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

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()个人理解，高纬度的变换，可以将部分维度看成黑盒（整体）相关推荐

最新文章

热门文章

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

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()个人理解，高纬度的变换，可以将部分维度看成黑盒（整体）相关推荐

最新文章

热门文章

一函数原型

二例子