TensorFlow（五）维度变换
文章目录
- 改变视图、增删维度
- 交换维度
- 复制数据
- Broadcasting
- 文章来源
改变视图、增删维度
基本的维度变换操作函数包含了改变视图 reshape、 插入新维度 expand_dims，删除维度 squeeze、 交换维度 transpose、 复制数据 tile 等函数。
x=tf.reshape(x,[2,4,4,3]) # 改变 x 的视图，获得 4D 张量，存储并未改变
tf.reshape(x,[2,-1,3])
x = tf.expand_dims(x,axis=2) # axis=2 表示宽维度后面的一个维度
x = tf.expand_dims(x,axis=0) # 高维度之前插入新维度
x = tf.squeeze(x, axis=0) # 删除图片数量维度
注意：改变视图、增删维度都不会改变内存存储顺序。
交换维度
改变视图、 增删维度都不会影响张量的存储。在实现算法逻辑时， 在保持维度顺序不变的条件下， 仅仅改变张量的理解方式是不够的，有时需要直接调整的存储顺序，即交换维度(Transpose)。通过交换维度操作，改变了张量的存储顺序，同时也改变了张量的视图。
用下面函数实现：
tf.transpose(x, perm)
其中参数 perm表示新维度的顺序 List。
维度索引号从0开始依次排序。
需要注意的是， 通过 tf.transpose 完成维度交换后，张量的存储顺序已经改变， 视图也随之改变， 后续的所有操作必须基于新的存续顺序和视图进行。 相对于改变视图操作，维度交换操作的计算代价更高。
复制数据
可以通过 tf.tile(x, multiples)函数完成数据在指定维度上的复制操作， multiples 分别指定了每个维度上面的复制倍数，对应位置为 1 表明不复制，为 2 表明新长度为原来长度的2 倍，即数据复制一份，以此类推。
实际上，上述插入维度和复制数据的步骤并不需要我们手动执行， TensorFlow 会自动完成，这就是自动扩展功能。
x = tf.random.normal([2,4])
w = tf.random.normal([4,3])
b = tf.random.normal([3])
y = x@w+b # 不同 shape 的张量直接相加
上述加法并没有发生逻辑错误，那么它是怎么实现的呢？ 这是因为它自动调用 Broadcasting函数 tf.broadcast_to(x, new_shape)， 将两者 shape 扩张为相同的[2,3]， 即上式可以等效为：
y = x@w + tf.broadcast_to(b,[2,3]) # 手动扩展，并相加
也就是说，操作符+在遇到 shape 不一致的 2 个张量时，会自动考虑将 2 个张量自动扩展到一致的 shape，然后再调用 tf.add 完成张量相加运算，当然，tf.broadcast_to(x, new_shape)函数是可以显式地执行自动扩展功能的。
需要注意的是， tf.tile 会创建一个新的张量来保存复制后的张量，由于复制操作涉及大量数据的读写 IO 运算，计算代价相对较高。神经网络中不同 shape 之间的张量运算操作十分频繁，那么有没有轻量级的复制操作呢？这就是接下来要介绍的 Broadcasting 操作。
Broadcasting
Broadcasting 称为广播机制(或自动扩展机制)， 它是一种轻量级的张量复制手段，在逻辑上扩展张量数据的形状， 但是只会在需要时才会执行实际存储复制操作。对于大部分场景， Broadcasting 机制都能通过优化手段避免实际复制数据而完成逻辑运算，从而相对于tf.tile 函数，减少了大量计算代价。
对于所有长度为 1 的维度， Broadcasting 的效果和 tf.tile 一样，都能在此维度上逻辑复制数据若干份，区别在于 tf.tile 会创建一个新的张量， 执行复制 IO 操作，并保存复制后的张量数据， 而 Broadcasting 并不会立即复制数据， 它会在逻辑上改变张量的形状，使得视图上变成了复制后的形状。 Broadcasting 会通过深度学习框架的优化手段避免实际复制数据而完成逻辑运算，至于怎么实现的用户不必关心， 对于用户来说， Broadcasting 和 tf.tile 复制的最终效果是一样的，操作对用户透明，但是 Broadcasting 机制节省了大量计算资源，建议在运算过程中尽可能地利用 Broadcasting 机制提高计算效率。
文章来源
本文完全来源于https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book，感谢原作者的完美工作，这是tf2.0的内容，超级棒。我只是用jupter notebook学习一遍，供本文和大家参考。