tf.transpose函式的用法講解（多維情況，看似複雜，其實也簡單）

版權宣告：本文為博主原創文章，歡迎轉載，請標明出處。 https://blog.csdn.net/cc1949/article/details/78422704

tf.transpose函式中文意思是轉置，對於低維度的轉置問題，很簡單，不想討論，直接轉置就好（大家看下面文件，一看就懂）。

 

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

2.  

3. Transposes a. Permutes the dimensions according to perm.

4.  

5. The returned tensor's dimension i will correspond to the input dimension perm[i]. If perm is not given, it is set to (n-1...0), where n is the rank of the input tensor. Hence by default, this operation performs a regular matrix transpose on 2-D input Tensors.

6.  

7. For example:

8. # 'x' is [[1 2 3]

9. # [4 5 6]]

10. tf.transpose(x) ==> [[1 4]

11. [2 5]

12. [3 6]]

13.  

14. # Equivalently

15. tf.transpose(x perm=[1, 0]) ==> [[1 4]

16. [2 5]

17. [3 6]]

18.  

19. # 'perm' is more useful for n-dimensional tensors, for n > 2

20. # 'x' is [[[1 2 3]

21. # [4 5 6]]

22. # [[7 8 9]

23. # [10 11 12]]]

24. # Take the transpose of the matrices in dimension-0

25. tf.transpose(b, perm=[0, 2, 1]) ==> [[[1 4]

26. [2 5]

27. [3 6]]

28.  

29. [[7 10]

30. [8 11]

31. [9 12]]]

32.  

33. Args:

34. •a: A Tensor.

35. •perm: A permutation of the dimensions of a.

36. •name: A name for the operation (optional).

37.  

38. Returns:

39.  

40. A transposed Tensor.

41.  

 

本文主要討論高維度的情況：

為了形象理解高維情況，這裡以矩陣組合舉例：

先定義下： 2 x （3*4）表示2個3*4的矩陣，（其實，它是個3維張量）。

x = [[[1,2,3,4],[5,6,7,8],[9,10,11,12]],[[21,22,23,24],[25,26,27,28],[29,30,31,32]]]

輸出：

---------------
[[[ 1  2  3  4]
  [ 5  6  7  8]
  [ 9 10 11 12]]

 [[21 22 23 24]
  [25 26 27 28]
  [29 30 31 32]]]
---------------

 

重點來了：

tf.transpose的第二個引數perm=[0,1,2],0代表三維陣列的高（即為二維陣列的個數），1代表二維陣列的行，2代表二維陣列的列。
tf.transpose(x, perm=[1,0,2])代表將三位陣列的高和行進行轉置。

我們寫個測試程式如下：

 

1. import tensorflow as tf

2.  

3. #x = tf.constant([[1, 2 ,3],[4, 5, 6]])

4. x = [[[1,2,3,4],[5,6,7,8],[9,10,11,12]],[[21,22,23,24],[25,26,27,28],[29,30,31,32]]]

5. #a=tf.constant(x)

6. a=tf.transpose(x, [0, 1, 2])

7. b=tf.transpose(x, [0, 2, 1])

8. c=tf.transpose(x, [1, 0, 2])

9. d=tf.transpose(x, [1, 2, 0])

10. e=tf.transpose(x, [2, 1, 0])

11. f=tf.transpose(x, [2, 0, 1])

12.  

13. # 'perm' is more useful for n-dimensional tensors, for n > 2

14. # 'x' is [[[1 2 3]

15. # [4 5 6]]

16. # [[7 8 9]

17. # [10 11 12]]]

18. # Take the transpose of the matrices in dimension-0

19. #tf.transpose(b, perm=[0, 2, 1])

20. with tf.Session() as sess:

21. print ('---------------')

22. print (sess.run(a))

23. print ('---------------')

24. print (sess.run(b))

25. print ('---------------')

26. print (sess.run(c))

27. print ('---------------')

28. print (sess.run(d))

29. print ('---------------')

30. print (sess.run(e))

31. print ('---------------')

32. print (sess.run(f))

33. print ('---------------')

我們期待的結果是得到如下矩陣：

a: 2 x 3*4

b: 2 x 4*3

c: 3 x 2*4

d: 3 x 4*2

e: 4 x 3*2

f: 4 x 2*2

執行指令碼，結果一致，如下：

 

1. ---------------

2. [[[ 1 2 3 4]

3. [ 5 6 7 8]

4. [ 9 10 11 12]]

5.  

6. [[21 22 23 24]

7. [25 26 27 28]

8. [29 30 31 32]]]

9. ---------------

10. [[[ 1 5 9]

11. [ 2 6 10]

12. [ 3 7 11]

13. [ 4 8 12]]

14.  

15. [[21 25 29]

16. [22 26 30]

17. [23 27 31]

18. [24 28 32]]]

19. ---------------

20. [[[ 1 2 3 4]

21. [21 22 23 24]]

22.  

23. [[ 5 6 7 8]

24. [25 26 27 28]]

25.  

26. [[ 9 10 11 12]

27. [29 30 31 32]]]

28. ---------------

29. [[[ 1 21]

30. [ 2 22]

31. [ 3 23]

32. [ 4 24]]

33.  

34. [[ 5 25]

35. [ 6 26]

36. [ 7 27]

37. [ 8 28]]

38.  

39. [[ 9 29]

40. [10 30]

41. [11 31]

42. [12 32]]]

43. ---------------

44. [[[ 1 21]

45. [ 5 25]

46. [ 9 29]]

47.  

48. [[ 2 22]

49. [ 6 26]

50. [10 30]]

51.  

52. [[ 3 23]

53. [ 7 27]

54. [11 31]]

55.  

56. [[ 4 24]

57. [ 8 28]

58. [12 32]]]

59. ---------------

60. [[[ 1 5 9]

61. [21 25 29]]

62.  

63. [[ 2 6 10]

64. [22 26 30]]

65.  

66. [[ 3 7 11]

67. [23 27 31]]

68.  

69. [[ 4 8 12]

70. [24 28 32]]]

71. ---------------

 

最後，總結下：

[0, 1, 2]是正常顯示，那麼交換哪兩個數字，就是把對應的輸入張量的對應的維度對應交換即可。

--------------------- 本文來自 cc19 的CSDN 部落格 ，全文地址請點選：https://blog.csdn.net/cc1949/article/details/78422704?utm_source=copy