TensorFlow函数：tf.transpose()及其参数perm的理解

TensorFlow函数：tf.transpose()及其参数perm的理解

tf.transpose函数

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

函数参数：

• a：一个 Tensor.
• perm：a 的维数的排列.
• name：操作的名称(可选).
• conjugate：可选 bool,将其设置为 True 在数学上等同于 tf.conj(tf.transpose(input)).

返回：

• tf.transpose 函数返回一个转置 Tensor.

对于参数perm的理解：

tensorflow 里面的 tensor是先从高维向低维算起的 。
我们先设置一个张量（Tensor）a:

a = tf.constant([[[ 1,  2,  3],
                  [ 4,  5,  6]],
                 [[ 7,  8,  9],
                  [10, 11, 12]]])

这里a的维数就是[2,2,3]

而perm的意思就是将tensor对应的不同的维数之间变换，

比如

• 若a的维度不变时，perm = [0,1,2]
• 当perm = [2,1,0]，则原tensor = [3,2,2]，全部倒过来
• 当perm = [0,2,1]，则原tensor = [2,3,2]，后两维置换

tf.transpose(x, perm=[0, 2, 1])
 ==> [[[1，4]， 
       [2，5] ，
       [3，6]] ，
      [[7，10] ，
       [8，11] ，
       [9，12]]]

其他代码例子

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

# Equivalently
tf.transpose(x, perm=[1, 0])  # [[1, 4]
                              #  [2, 5]
                              #  [3, 6]]

# If x is complex, setting conjugate=True gives the conjugate transpose
x = tf.constant([[1 + 1j, 2 + 2j, 3 + 3j],
                 [4 + 4j, 5 + 5j, 6 + 6j]])
tf.transpose(x, conjugate=True)  # [[1 - 1j, 4 - 4j],
                                 #  [2 - 2j, 5 - 5j],
                                 #  [3 - 3j, 6 - 6j]]

# 'perm' is more useful for n-dimensional tensors, for n > 2
x = tf.constant([[[ 1,  2,  3],
                  [ 4,  5,  6]],
                 [[ 7,  8,  9],
                  [10, 11, 12]]])

# Take the transpose of the matrices in dimension-0
# (this common operation has a shorthand `matrix_transpose`)
tf.transpose(x, perm=[0, 2, 1])  # [[[1,  4],
                                 #   [2,  5],
                                 #   [3,  6]],
                                 #  [[7, 10],
                                 #   [8, 11],
                                 #   [9, 12]]]

参考资料：（感谢！）
https://www.w3cschool.cn/tensorflow_python/tensorflow_python-z61d2no5.html
https://blog.csdn.net/appleml/article/details/71070767