tf.transpose()

最新推荐文章于 2025-07-03 22:43:23 发布

爱抠脚的coder

最新推荐文章于 2025-07-03 22:43:23 发布

阅读量1.1w

点赞数 7

CC 4.0 BY-SA版权

分类专栏： tensorflow 文章标签： tf.transpose()

本文链接：https://blog.youkuaiyun.com/m0_37393514/article/details/82259370

tensorflow 专栏收录该内容

24 篇文章

订阅专栏

本文主要介绍了tf.transpose()函数，先给出函数原型，接着通过二维、三维、四维数组的例子展示其使用。二维是矩阵转置，三维可对不同维度进行调换，四维常用于图像。还提及对四维数组旋转第二、三维度需结合tf.transpose()和tf.reverse()。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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 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]]