TensorFlow中张量转置操作tf.transpose用法

最新推荐文章于 2024-07-25 22:30:43 发布

csdn-WJW

最新推荐文章于 2024-07-25 22:30:43 发布

阅读量2.8k

点赞数

分类专栏： TensorFlow基础

TensorFlow基础专栏收录该内容

52 篇文章

订阅专栏

本文详细介绍了在TensorFlow中如何使用tf.transpose函数对张量进行转置操作，包括其参数说明、返回结果以及多个实例演示，覆盖了不同维度张量的转置处理和复数张量的共轭转置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、环境

TensorFlow API r1.12

CUDA 9.2 V9.2.148

cudnn64_7.dll

Python 3.6.3

Windows 10

二、官方说明

对张量按照指定的排列维度进行转置

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

输入：

（1）a：输入张量

（2）perm：输入张量要进行转置操作的维度的排列方式

（3）name：可选参数，转置操作的名称

（4）conjugate：可选参数，布尔类型，如果设置为True，则数学意义上等同于tf.conj(tf.transpose(input))

返回结果：

（1）按照指定维度排列方式转置后的张量

三、实例

（1）不设置perm参数值时，perm默认为(n-1, n-2, ..., 2, 1, 0)，其中n为输入张量的阶（rank）

>>> x = tf.constant([[1,2,3],[4,5,6]])
>>> with tf.Session() as sess:
...     print(sess.run(tf.transpose(x)))
...     print(sess.run(tf.shape(tf.transpose(x))))
... 
[[1 4]
 [2 5]
 [3 6]]
... 
[3 2]

（2）上例中等同实例（张量x的阶为2，因此perm默认为(2-1,0)）

>>> x = tf.constant([[1,2,3],[4,5,6]])
>>> with tf.Session() as sess:
...     print(sess.run(tf.transpose(x,[1,0])))
...     print(sess.run(tf.shape(tf.transpose(x))))
... 
[[1 4]
 [2 5]
 [3 6]]
... 
[3 2]

（3）输入张量为复数的情况，参数conjugate=True时，进行共轭转置操作

>>> real = [[1.0,2.0,3.0],[4.0,5.0,6.0]]
>>> imag = [[1.0,2.0,3.0],[4.0,5.0,6.0]]
>>> complex = tf.complex(real,imag)
>>> with tf.Session() as sess:
...     print(sess.run(complex))
...     print(sess.run(tf.shape(complex)))
...     print(sess.run(tf.transpose(complex)))
...     print(sess.run(tf.shape(tf.transpose(complex))))
...     print(sess.run(tf.transpose(complex,conjugate=True)))
...     print(sess.run(tf.shape(tf.transpose(complex,conjugate=True))))
... 
[[1.+1.j 2.+2.j 3.+3.j]
 [4.+4.j 5.+5.j 6.+6.j]]
... 
[2 3]
... 
[[1.+1.j 4.+4.j]
 [2.+2.j 5.+5.j]
 [3.+3.j 6.+6.j]]
... 
[3 2]
... 
[[1.-1.j 4.-4.j]
 [2.-2.j 5.-5.j]
 [3.-3.j 6.-6.j]]
... 
[3 2]
...

（4）输入张量的维度大于2时，参数perm起作用更大

直观来讲，这里的参数perm=[0,2,1]，控制将原来的维度[0,1,2]后面两列置换位置

>>> x = tf.constant([[[ 1,  2,  3],
...                   [ 4,  5,  6]],
...                  [[ 7,  8,  9],
...                   [10, 11, 12]]])
>>> with tf.Session() as sess:
...     print(sess.run(tf.transpose(x,[0,2,1])))
... 
[[[ 1  4]
  [ 2  5]
  [ 3  6]]

 [[ 7 10]
  [ 8 11]
  [ 9 12]]]