tf.transpose函數解析

tf.transpose函數解析

以爲有用的話,歡迎一塊兒討論相互學習~Follow Me

<font color=DeepPink>tf.transpose(a, perm = None, name = 'transpose')</font>

<font color=Purple>解釋</font>

• 將a進行轉置，而且根據perm參數從新排列輸出維度。<mark>這是對數據的維度的進行操做的形式。<mark>

<font color=Purple>Details</font>

• 圖像處理時數據集中存儲數據的形式爲[channel,image_height,image_width],在tensorflow中使用CNN時咱們須要將其轉化爲[image_height,image_width,channel]的形式，只須要使用tf.transpose(input_data,[1,2,0])

• 輸出數據tensor的第i維將根據perm[i]指定。好比，若是perm沒有給定，那麼默認是perm = [n-1, n-2, ..., 0]，其中rank(a) = n。

• 默認狀況下，對於二維輸入數據，其實就是常規的矩陣轉置操做。

<font color=Purple>Example</font>

input_data.dims = (1, 4, 3) perm = [1, 2, 0]

由於 output_data.dims[0] = input_data.dims[ perm[0] ] 由於 output_data.dims[1] = input_data.dims[ perm[1] ] 由於 output_data.dims[2] = input_data.dims[ perm[2] ] 因此獲得 output_data.dims = (4, 3, 1) output_data.dims = (4, 3, 1)

<font color=DeepPink>代碼演示</font>

import tensorflow as tf

sess = tf.Session()
input_data = tf.constant([[1, 2, 3], [4, 5, 6]])
print(sess.run(tf.transpose(input_data)))
# [[1 4]
#  [2 5]
#  [3 6]]
print(sess.run(input_data))
# [[1 2 3]
#  [4 5 6]]
print(sess.run(tf.transpose(input_data, perm=[1, 0])))
# [[1 4]
#  [2 5]
#  [3 6]]
input_data = tf.constant([[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]])
print('input_data shape: ', sess.run(tf.shape(input_data)))
# [1, 4, 3]
output_data = tf.transpose(input_data, perm=[1, 2, 0])
print('output_data shape: ', sess.run(tf.shape(output_data)))
# [4, 3, 1]
print(sess.run(output_data))
# [[[ 1]
#   [ 2]
#   [ 3]]
#  [[ 4]
#   [ 5]
#   [ 6]]
#
#  [[ 7]
#   [ 8]
#   [ 9]]
#
#  [[10]
#   [11]
#   [12]]]
"""形式爲：[[[],[],[]],[[],[],[]],[[],[],[]],[[],[],[]]]"""

"""輸入參數：
  ● a: 一個Tensor。
  ● perm: 一個對於a的維度的重排列組合。
  ● name:（可選）爲這個操做取一個名字。
輸出參數：
  ● 一個通過翻轉的Tensor。"""

<font color=Purple>perm沒有指定的狀況下transpose函數的結果</font>

input_data = tf.constant([[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]])
print('input_data shape: ', sess.run(tf.shape(input_data)))
# [1, 4, 3]
output_data = tf.transpose(input_data)
print('output_data shape: ', sess.run(tf.shape(output_data)))
# output_data shape:  [3 4 1]
sess.close()