tensorFlow维度变换可分为两个级别,一个是view级,一个是content级。
view级维度变换不改变数据的存储关系,比如[3,28,28,3]变换维度为[3,784,3]之后,数据本身并没有改变,属于哪一行哪一列的元素还是可以确定,可以原模原样的恢复为[3,28,28,3]。
content级维度变换会改变数据的存储关系。content有“目录”的意思,即索引关系,通过[3,28,28,3]这样的索引号能够找到一个元素。当content被改变时,意味着元素之间的索引关系变了。例如[3,28,28,3]变换为[3,3,28,28]后,相当于把最后面的维度数据整个提到了前面。
利用tf.reshape()函数可以实现view级变换。
a=tf.ones([6,28,28,3])
b=tf.reshape(a,[6,-1,3])
bb=tf.reshape(a,[6,784,3]) #-1会自动计算满足要求的维度,但需要满足计算约束条件
上面的代码实现了把数据的形状由[6,28,28,3]变换成[6,784,3]。数据还是那个数据,只是呈现给我们的方式不一样了。就好比把6张28*28的三通道图片数据的二维像素压成一维像素,但每个像素还是对应着三个通道。
函数:tf.transpose(),默认将待转换数据的维度翻个个
c=tf.random.normal([4,3,2,1])
将上面的c的维度转置一下
cc=tf.transpose(c)
cc.shape
输出为:
TensorShape([1, 2, 3, 4])
当然你也可以指定转置顺序
ccc=tf.transpose(c,perm=[0,3,1,2]) #perm参数表示新的tensor的第几个维度放置原来tensor的哪一个维度的数据
ccc.shape
输出为:
TensorShape([4, 1, 3, 2])
perm=[0,3,1,2]中的3表示结果数据中第二个维度为初始数据中第四个维度的数据(从零开始数)
有这样一组数据
#四个班级,每个班级35名学生,每个学生8门成绩
d=tf.random.normal([4,35,8])
现在在开头增加一个维度,代表学校
dd=tf.expand_dims(d,axis=0) #axis参数表示在哪一个维度的位置增加维度,可以为负(负数从后往前数)
dd.shape
输出为:
TensorShape([1, 4, 35, 8])
这样数据就变成了四维的。这个1表示在这个维度里,只有一个数据。当你把多个学校的成绩合在一起时,1自然也就变大了。
当你想要把上述例子数据中的维度减少一个时,可以使用下列代码
ee=tf.squeeze(e,axis=0)
ee.shape
输出为
TensorShape([4, 35, 8])
这里要注意,维度减少(squeeze)只能去掉shape中等于1的维度,即只能去掉那些只有一个元素的维度。
比如,[1, 4, 35, 8]代表1个学校有4个班级,每个班级有35名学生,每个学生有8门成绩,这时候把第一维度去掉,就无关紧要;而要去掉[2, 4, 35, 8]中的2时,就不行了,因为去掉之后就把两个学校的成绩混在一起了。