三维视图详解keras.permute_dimensions和numpy.transpose转置效果
二维的转置大家都很熟悉，横轴变纵轴嘛，
1 2 3 1 4 7
4 5 6 转一下变成 2 5 8
7 8 9 3 6 9
但是对于深度学习来说，尤其在transformer以及后来的bert模型出世以后，需要对多个大批次的多个部分的二维数据进行转置，已进行打分机制的计算（Self Attention）,那就是4维数据的转置。。。看得人一懵一懵的。所以呢，在下整理了3维的转置3D呈现效果跟大家分享分享，3维转置是个什么空间逻辑，看懂了3维，那4维就按3维的结构进行推导就出来了。
假设我们的数据是这样的三位数据，然后模拟出来的3维结构是这样的（在计算机里，他们其实是列优先的存储结构，这里是为了方便大家直观理解三维的变化，所以以行优先的存储形式展现，比如caffe对图像处理是channel优先，tensorflow是channel最后的数据结构。这些无所谓。咱们的数据可以理解为深度为2，高度为3，宽度为4，即channel优先的2x3x4）
注意！一定要注意数字的顺序
注意！一定要注意数字的顺序
注意！一定要注意数字的顺序
1、深度和高度交换（01交换）
这个转置对应numpy就是np.transpose(x, (1, 0, 2)),，对应keras就是keras.backend.permute_dimensions(x, (1, 0, 2))
我标注的“上——>>>前”的意思就是：
（1）绿色层以1、2、3、4为轴，往前翻转90度
（2）红色层以5、6、7、8为轴，往前翻转90度
（3）蓝色轴以9、10、11、12为轴，往前翻转90度
（4）然后按上述翻转顺序依次从前往后排列，即绿-红-蓝
整个过程就把左图变成了右图。
2、ok没懂，咱们再看一个高度和宽度交换（12交换）
（1）绿色层以1和13为轴，往左旋转
（2）红色层以5和17为轴，往左旋转
（3）蓝色层以9和21为轴，往左旋转
（4）然后按上述翻转顺序依次从左往右排列，即绿-红-蓝
3、再看一个，深度和宽度（02交换）
（1）前排以1、5、9为轴，往左里旋转
（2）后排以13、17、21为轴，往左里旋转
（3）然后按上述翻转顺序依次从左往右排列
4、反正都说到这了，我把剩下的两种情况也都放上来吧
4-1
4-2
如果你对转置的数学逻辑不清楚，那这五个图，你是能够记住的吧。记住这五个图，你就知道3维的转置是个什么过程了！
什么？
五个还多？
行！
那咱们记前三个！
为什么？
因为，4中的两个图都能从前面3个进行推导！
比如：4-1的图
从(0, 1, 2)到(1, 2, 0)就是先(1, 0, 2)，再(0, 1, 2)的过程。
有童鞋问我这里面的0， 1， 2是什么意思，permute(x, (1, 0, 2))在我们的数据里(深度2 x 高度3 x 宽度4)指的是0索引的轴（即深度）跟1索引的轴（即高度）做转置。所以，括号里面的数字，代表的是索引及其对应的度量量！
所以，从(0, 1, 2)到(1, 2, 0)的过程分两步(这只是一种方法)：
（1）索引0的值跟索引1的值做交换，变成(1, 0, 2)
（2）再把索引1的值跟索引2的值做交换，变成（1, 2, 0）
图4-2同理，各位自己先推一边，看跟我的结果一样不一样
从(0, 1, 2)到(2, 0, 1)需要经过：
(1)permute_dimensions(x, (2, 1, 0))
(2)permute_dimensions(x, (0, 2, 1))
或
(1)permute_dimensions(x, (0, 2, 1))
(2)permute_dimensions(x, (1, 0, 2))
或
(1)permute_dimensions(x, (1, 0, 2))
(2)permute_dimensions(x, (2, 1, 0))
综上，所有的转置变化，都是基于前3种变化而来的，三维转置是一个比较抽象的数据交换过程，把具象的数字形态转成抽象的空间形态，能让你在对数据的掌控力，更上一层口。
以下代码，各位可以拿去调试调试
import numpy as np
import keras.backend as K
a = np.arange(1, 25).reshape((2, 3, 4))
print(a)
print('===================')
b = K.constant(a)
x = K.permute_dimensions(b, (2, 0, 1))
x1 = K.permute_dimensions(K.permute_dimensions(b, (2, 1, 0)), (0, 2, 1))
x2 = K.permute_dimensions(K.permute_dimensions(b, (0, 2, 1)), (1, 0, 2))
x3 = K.permute_dimensions(K.permute_dimensions(b, (1, 0, 2)), (2, 1, 0))
with K.get_session() as ss:
print(ss.run(x))
print('-----')
print(ss.run(x1))
print('----')
print(ss.run(x2))
print('---')
print(ss.run(x3))