tf.transpose() perm用法详解

转自https://blog.csdn.net/qq_30934313/article/details/86659416

对于这个函数tf.transpose()这个函数 ，相信都不会陌生，刚刚上手的时候，比较 验证理解的相信是他的参数 perm[]，里面究竟怎么取？
不绕沟子了，看看参数几何？

def transpose(a, perm=None, name="transpose"):

漂亮 ，就一个perm，，，，那怎么计算 呢？
举个粟子：

input_data.dims = (1, 4, 3)  #这是输入的维度
perm = [1, 2, 0]  # 这是perm取值

因为 output_data.dims[0] = input_data.dims[ perm[0] ]
因为 output_data.dims[1] = input_data.dims[ perm[1] ]
因为 output_data.dims[2] = input_data.dims[ perm[2] ]
所以得到 output_data.dims = (4, 3, 1)

和 output_data.dims = (4, 3, 1)

再举一下粟子，如下：
输入维度仍然是（1,4,3）

perm[2,1 0] # D to output :(3, 4, 1)
perm[1,0,2] # D to output is :(4, 1, 3)

虽然知道 了输出的维度 ，那这有什么 用？
再举一个粟子进行说明 ：

import tensorflow as tf
# 输入是维度是（2, 3, 4）的一个三维张量

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]]]
a = tf.transpose(x, [0, 1, 2])
b = tf.transpose(x, [0, 2, 1])
c = tf.transpose(x, [1, 0, 2])
d = tf.transpose(x, [1, 2, 0])
e = tf.transpose(x, [2, 1, 0])
f = tf.transpose(x, [2, 0, 1])

with tf.Session() as sess:
    print('a 0 1 2 ---------------')
    print(sess.run(a))
    print('b 0 2 1 ---------------')
    print(sess.run(b))
    print('c 1 0 2---------------')
    print(sess.run(c))
    print('d 1 2 0 ---------------')
    print(sess.run(d))
    print('e 2 1 0---------------')
    print(sess.run(e))
    print('f 2 0 1 ---------------')
    print(sess.run(f))

结果 如下：
我们就来看一下有没有 什么规律

a 0 1 2 --------------- #输入维度 （2,3,4）输出维度（2,3,4）原样输出 
[[[ 1  2  3  4]
  [ 5  6  7  8]
  [ 9 10 11 12]]

 [[21 22 23 24]
  [25 26 27 28]
  [29 30 31 32]]]
b 0 2 1 --- #输入维度(2,3,4)输出维度(2, 4, 3)原样输出，直接把原行转置为列， 
[[[ 1  5  9]		#可见我们可以认为转置的条件是我们只调换行列参数,其他不变 
  [ 2  6 10]
  [ 3  7 11]
  [ 4  8 12]]

 [[21 25 29]
  [22 26 30]
  [23 27 31]
  [24 28 32]]]
c 1 0 2----#输入维度 （2,3,4）输出维度(3,2,4),当行不变时,这相当于把行作为整体，
[[[ 1  2  3  4]	    # 并按原来 顺序依次放入各第三维中
  [21 22 23 24]]

 [[ 5  6  7  8]
  [25 26 27 28]]

 [[ 9 10 11 12]
  [29 30 31 32]]]
d 1 2 0 ----输入维度 （2,3,4）输出维度（3, 4, 2），原行未变，直接 搬至列
[[[ 1 21]
  [ 2 22]
  [ 3 23]
  [ 4 24]]

 [[ 5 25]
  [ 6 26]
  [ 7 27]
  [ 8 28]]

 [[ 9 29]
  [10 30]
  [11 31]
  [12 32]]]
e 2 1 0---------------后面的，说不一一说了
[[[ 1 21]
  [ 5 25]
  [ 9 29]]

 [[ 2 22]
  [ 6 26]
  [10 30]]

 [[ 3 23]
  [ 7 27]
  [11 31]]

 [[ 4 24]
  [ 8 28]
  [12 32]]]
f 2 0 1 ---------------
[[[ 1  5  9]
  [21 25 29]]

 [[ 2  6 10]
  [22 26 30]]

 [[ 3  7 11]
  [23 27 31]]

 [[ 4  8 12]
  [24 28 32]]]

通过上述 例子，可以 得到 一个结论，我们可以 理解 的，或者 使用的通常是维度较低的情况，更高维度的时候 ，使用比较困难。