tf.reshape()与tf.transpose的理解

最新推荐文章于 2022-10-01 13:31:54 发布

原创最新推荐文章于 2022-10-01 13:31:54 发布 · 3k 阅读

2 ·

CC 4.0 BY-SA版权

本文详细介绍了TensorFlow中tf.transpose与tf.reshape函数的使用方法，并通过具体实例展示了这两种函数如何改变张量的形状与数据排列方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景：初次接触tf.transpose，对其中的维度的理解，甚是困难，作此记录，以便以后查看

（1）tf.reshape()的理解

import tensorflow as tf
import  numpy as np
three_dim_data = tf.Variable(np.arange(100).reshape(2,5,10))
three_dim_data_reshape = tf.Variable(tf.reshape(three_dim_data,[10,10]))
with tf.Session().as_default() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(three_dim_data))
    print(sess.run(three_dim_data_reshape))

three_dim_data输出结果为：

[[[ 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 36 37 38 39]
  [40 41 42 43 44 45 46 47 48 49]]

 [[50 51 52 53 54 55 56 57 58 59]
  [60 61 62 63 64 65 66 67 68 69]
  [70 71 72 73 74 75 76 77 78 79]
  [80 81 82 83 84 85 86 87 88 89]
  [90 91 92 93 94 95 96 97 98 99]]]

three_dim_data_reshape的输出结果为：

[[ 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 36 37 38 39]
 [40 41 42 43 44 45 46 47 48 49]
 [50 51 52 53 54 55 56 57 58 59]
 [60 61 62 63 64 65 66 67 68 69]
 [70 71 72 73 74 75 76 77 78 79]
 [80 81 82 83 84 85 86 87 88 89]
 [90 91 92 93 94 95 96 97 98 99]]

通过两种情况的对比，reshape的操作，是将原始数据，先平铺出来[0-99],然后再按照维度的倒序，进行构建数据。

例如three_dim_data这是按照，先10，5,2这样的顺序构造数据。

three_dim_data_reshape则是先平铺，再10,10这样的顺序构造数据。

（2）tf.transpose的理解

理解了tf.reshape就很容易理解tf.transpose了

tf.transpose是改变数据的组成结构。功能与tf.reshape类似。

import tensorflow as tf
import  numpy as np
three_dim_data = tf.Variable(np.arange(100).reshape(2,5,10))
three_dim_data_transpose = tf.transpose(three_dim_data,[1,0,2])
transpose_shape = three_dim_data_transpose.shape

with tf.Session().as_default() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(three_dim_data))
    print(sess.run(three_dim_data_transpose))
    print(transpose_shape)

输出结果为：

[[[ 0  1  2  3  4  5  6  7  8  9]
  [50 51 52 53 54 55 56 57 58 59]]

 [[10 11 12 13 14 15 16 17 18 19]
  [60 61 62 63 64 65 66 67 68 69]]

 [[20 21 22 23 24 25 26 27 28 29]
  [70 71 72 73 74 75 76 77 78 79]]

 [[30 31 32 33 34 35 36 37 38 39]
  [80 81 82 83 84 85 86 87 88 89]]

 [[40 41 42 43 44 45 46 47 48 49]
  [90 91 92 93 94 95 96 97 98 99]]]
(5, 2, 10)

相当于将（2,5,10）reshape为了（5,2,10）

tf.transpose()中的[1,0,2]只是在交换（2,5,10）维度的的位置而已，交换后，就可以看成reshape了