04-numpy-笔记-transpose

借鉴代码https://blog.csdn.net/xiongchengluo1129/article/details/79017142

吐槽一下CSDN的垃圾广告。。

 

这是转置，所以1维（向量）和2维（矩阵）的转置的意义很直观，就是数学上学的。

难的就是超过三维的张量，怎么转置。

先看结果：

>>> import numpy as np
>>> three=np.arange(18).reshape(2,3,3)
>>> three
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]]])
>>> three.transpose()
array([[[ 0,  9],
        [ 3, 12],
        [ 6, 15]],

       [[ 1, 10],
        [ 4, 13],
        [ 7, 16]],

       [[ 2, 11],
        [ 5, 14],
        [ 8, 17]]])
>>> 

 

three本身shape是(2,3,3)，这个先看清楚了。
然后，transpose不给参数，默认是从(0,1,2)->(2,1,0)【以上的0,1,2表示的维度的序号】
所以，three.transpose的结果，最外围（第一维度）就是3的元素（行列其实无所谓，是吧）
自己画画树状图，比较比较，就很清楚了。

这不是重点，重点是怎么用。
在深度学习中，常见这样的表达：

 img_y = np.transpose(img_x, (0,2,1,3))　　

TensorFlow中的图像数据张量，一般是四维，分别是（张数，宽度，高度，通道数）
这句话的意思就是把宽和高转置。自己体会一下。图片顺序和通道顺序是不变的。