【Numpy学习记录】np.transpose讲解
想了很久，决定还是追寻大神之路，开始写写博客，记录一下成长之路
废话不多说，我们开始讲正题： what is np.transpose?
1、首先看看二维矩阵：
import numpy as np
arr = np.arange(30).reshape(5, 6)
print(arr)
tran_arr = np.transpose(arr, axes=None)
print(tran_arr)输出结果为：
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]
[12 13 14 15 16 17]
[18 19 20 21 22 23]
[24 25 26 27 28 29]]
[[ 0 6 12 18 24]
[ 1 7 13 19 25]
[ 2 8 14 20 26]
[ 3 9 15 21 27]
[ 4 10 16 22 28]
[ 5 11 17 23 29]] 这个结果意料之中，很好理解，就是线性代数的转置矩阵
2、再看看多维（三维为例）矩阵
a.首先，要明确坐标问题
np.arange(12).reshape(2, 2, 3)(2, 2, 3) 分别代表 d, h, w
我们不妨继续看看：
arr = np.arange(12).reshape(2, 2, 3)
print(arr[1, 0, 0])输出结果为：
6 这下明白了吧，动手实践，多试几个
b. 接下来还要明白一个索引问题
| 形状 | 索引 |
|---|---|
| 2 | 0 |
| 2 | 1 |
| 3 | 2 |
我们看看代码：
arr = np.arange(12).reshape(2, 2, 3)
print(arr)
tran_arr = np.transpose(arr, (1, 0, 2)) # （1， 0， 2）即为上面所说的索引号
print(tran_arr)输出结果：
[[[ 0 1 2]
[ 3 4 5]]
[[ 6 7 8]
[ 9 10 11]]]
[[[ 0 1 2]
[ 6 7 8]]
[[ 3 4 5]
[ 9 10 11]]]
这样就实现了转置矩阵，但是对于初学者这个例子恐怕远远不够理解，我们换个例子你就懂啦！
arr = np.arange(24).reshape(3, 4, 2)
print(arr)
tran_arr = np.transpose(arr, (1, 0, 2))
print(tran_arr)输出结果：
[[[ 0 1]
[ 2 3]
[ 4 5]
[ 6 7]]
[[ 8 9]
[10 11]
[12 13]
[14 15]]
[[16 17]
[18 19]
[20 21]
[22 23]]]
[[[ 0 1]
[ 8 9]
[16 17]]
[[ 2 3]
[10 11]
[18 19]]
[[ 4 5]
[12 13]
[20 21]]
[[ 6 7]
[14 15]
[22 23]]]
上面的shape 由(3,4,2)变成了(4,3,2)，不就是因为索引号由（0,1,2）变成了（1,0,2）吗？
转置就是这么简单！