【深度学习_TensorFlow】维度变换

写在前面

以下是 TensorFlow 中的一些常用操作，用于处理张量形状、维度和其他相关属性，希望文章对你有帮助！

1. tf.shape: 获取张量的形状。

2. tf.ndim: 获取张量的维度。

3. tf.reshape: 改变张量的形状。

4. tf.transpose: 交换张量的维度。

5. tf.expand_dims: 在指定维度上添加新维度。

6. tf.squeeze: 从张量中删除指定维度的所有元素。

---

写在中间

（ 1 ）shape看形状，ndim识维度

# 导入 TensorFlow 库
import tensorflow as tf
# 定义一个随机生成的张量
tensor = tf.random.normal([2, 3, 4])
# 使用 tf.shape 函数获取张量的形状
shape = tf.shape(tensor)
# 打印张量的形状
print(shape)  # 输出：(2, 3, 4)
# 获取张量的维数
ndim = tf.ndim(tensor)
# 打印张量的维数
print(ndim)  # 输出：2

---

（ 2 ）reshape变形状

tf.reshape(tensor, shape)用于将张量（Tensor）的形状（shape）转换为所需的形状。tensor是要转换的张量，shape是新形状的元组，

• tensor：输入张量，可以是任何类型的Tensor。
• shape：新形状的元组，必须是一个长度为1的元组。

reshape 是一种用于改变张量形状的操作。我们在此之前，先来理解一个张量tensor = [10, 28, 28, 3]，表示10张28×28的RGB三通道彩色照片。

import tensorflow as tf
# 创建一个随机张量
tensor = tf.random.normal([10, 28, 28, 3])
print(tensor.shape, tensor.ndim)  # 输出：(10, 28, 28, 3) 4

# 改变形状，改变后需要保证原来图像的数据和改变后的数据个数相同，这里抹除了行和列的概念，变成784个像素去考虑
tensor = tf.reshape(tensor, [10, 784, 3])
print(tensor.shape, tensor.ndim)  # 输出：(10, 784, 3) 3

# 改变形状，不想计算维度合并后28×28具体值，可以使用-1代替
tensor = tf.reshape(tensor, [10, -1, 3])
print(tensor.shape, tensor.ndim)  # 输出：(10, 784, 3) 3
# 改变形状
tensor = tf.reshape(tensor, [10, 784*3])
print(tensor.shape, tensor.ndim)  # 输出：(10, 2352) 2
# 改变形状
tensor = tf.reshape(tensor, [10, -1])
print(tensor.shape, tensor.ndim)  # 输出：(10, 2352) 2

---

（ 3 ）transpose转置维度

tf.transpose(tensor, perm=[])是一个用于张量转置的函数。在这个函数中，我们可以传递一些参数来控制转置的方式。

• tensor：需要进行转置的张量。

• perm：一个表示转置顺序的张量。这个张量的形状应该与tensor的形状相同，并且元素取值范围应该为：[[0, 1], [1, 0]]。如果perm为空，则默认按照元素的索引进行转置。

若不指定参数，默认将tensor全部转置，如在矩阵中的行列互换，从3行2列变成2行3列。
若指定参数perm，perm = [0, 2, 1]表示重新排列维度，将原来的维度1和维度2进行调换

不指定轴转置

import tensorflow as tf
tensor = tf.range([12])
tensor = tf.reshape(tensor, [4, 3])

print(tensor)
# 输出：
# tf.Tensor(
# [[ 0  1  2]
#  [ 3  4  5]
#  [ 6  7  8]
#  [ 9 10 11]], shape=(4, 3), dtype=int32)

tensor = tf.transpose(tensor) # 行列转换
print(tensor)
# 输出：
# tf.Tensor(
# [[ 0  3  6  9]
#  [ 1  4  7 10]
#  [ 2  5  8 11]], shape=(3, 4), dtype=int32)

指定轴转置

import tensorflow as tf

tensor = tf.range([36])

tensor = tf.reshape(tensor, [3, 4, 3])
print(tensor)
# 输出：
# tf.Tensor(
# [[[ 0  1  2]
#   [ 3  4  5]
#   [ 6  7  8]
#   [ 9 10 11]]
#
#  [[12 13 14]
#   [15 16 17]
#   [18 19 20]
#   [21 22 23]]
#
#  [[24 25 26]
#   [27 28 29]
#   [30 31 32]
#   [33 34 35]]], shape=(3, 4, 3), dtype=int32)

tensor = tf.transpose(tensor, perm=[0, 2, 1]) # 行列转换
print(tensor)
# 输出：
# tf.Tensor(
# [[[ 0  3  6  9]
#   [ 1  4  7 10]
#   [ 2  5  8 11]]
# 
#  [[12 15 18 21]
#   [13 16 19 22]
#   [14 17 20 23]]
# 
#  [[24 27 30 33]
#   [25 28 31 34]
#   [26 29 32 35]]], shape=(3, 3, 4), dtype=int32)

---

（ 4 ）tf.expand_dims增加维度

tf.expand_dims(tensor, axis=None) 是 TensorFlow 提供的一个函数，用于在 TensorFlow 计算图中的给定轴（axis）上扩展一个张量（tensor）。这个函数的主要作用是增加张量的维度。

• tensor：要扩展的张量。

• axis：要扩展的轴的索引。轴的索引从 0 开始，表示第一维。

import tensorflow as tf
tensor = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor = tf.expand_dims(tensor, axis=0) # 在第一维上扩展
print(tensor)
# 输出：
# tf.Tensor(
# [[[1 2 3]
#   [4 5 6]]], shape=(1, 2, 3), dtype=int32)
tensor = tf.expand_dims(tensor, axis=1) # 在第二维上扩展
print(tensor)
# 输出：
# tf.Tensor(
# [[[[1 2 3]
#    [4 5 6]]]], shape=(1, 1, 2, 3), dtype=int32)

---

（ 5 ）tf.squeeze减少维度

tf.squeeze(tensor, axis) 用于删除张量的维度。它接受一个张量作为输入，将原始tensor中所有维度为1的维度都删掉，并返回一个新的张量

• tensor：作为输入张量

• axis：表示要删除的维度。

import tensorflow as tf

tensor = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor = tf.expand_dims(tensor, axis=0)  # 在第一维上扩展
tensor = tf.expand_dims(tensor, axis=1)  # 在第二维上扩展
print(tensor)
# 输出：
# tf.Tensor(
# [[[[1 2 3]
#    [4 5 6]]]], shape=(1, 1, 2, 3), dtype=int32)

tensor = tf.squeeze(tensor) # 删除为1的维度
print(tensor)
# 输出：
# tf.Tensor(
# [[1 2 3]
#  [4 5 6]], shape=(2, 3), dtype=int32)

---

写在最后

👍🏻点赞，你的认可是我创作的动力！
⭐收藏，你的青睐是我努力的方向！
✏️评论，你的意见是我进步的财富！