tf.transpose多维函数的用法讲解 tf.transpose函数的用法讲解（多维情况，看似复杂，其实也简单）

tf.transpose函数的用法讲解（多维情况，看似复杂，其实也简单）

[html] view plain copy

1. tf.transpose(a, perm=None, name='transpose')     
2.   
3. Transposes a. Permutes the dimensions according to perm.    
4.   
5. The returned tensor's dimension i will correspond to the input dimension perm[i]. If perm is not given, it is set to (n-1...0), where n is the rank of the input tensor. Hence by default, this operation performs a regular matrix transpose on 2-D input Tensors.    
6.   
7. For example:    
8. # 'x' is [[1 2 3]    
9. #         [4 5 6]]    
10. tf.transpose(x) ==> [[1 4]    
11.                      [2 5]    
12.                      [3 6]]    
13.   
14. # Equivalently    
15. tf.transpose(x perm=[1, 0]) ==> [[1 4]    
16.                                  [2 5]    
17.                                  [3 6]]    
18.   
19. # 'perm' is more useful for n-dimensional tensors, for n > 2    
20. # 'x' is   [[[1  2  3]    
21. #            [4  5  6]]    
22. #           [[7  8  9]    
23. #            [10 11 12]]]    
24. # Take the transpose of the matrices in dimension-0    
25. tf.transpose(b, perm=[0, 2, 1]) ==> [[[1  4]    
26.                                       [2  5]    
27.                                       [3  6]]    
28.   
29.                                      [[7 10]    
30.                                       [8 11]    
31.                                       [9 12]]]    
32.   
33. Args:     
34. •a: A Tensor.    
35. •perm: A permutation of the dimensions of a.    
36. •name: A name for the operation (optional).    
37.   
38. Returns:     
39.   
40. A transposed Tensor.  

本文主要讨论高维度的情况：

为了形象理解高维情况，这里以矩阵组合举例：

先定义下： 2 x （3*4）表示2个3*4的矩阵，（其实，它是个3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]]]

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]]]
---------------

重点来了：

tf.transpose的第二个参数perm=[0,1,2],0代表三维数组的高（即为二维数组的个数），1代表二维数组的行，2代表二维数组的列。
tf.transpose(x, perm=[1,0,2])代表将三位数组的高和行进行转置。

我们写个测试程序如下：

[python] view plain copy

1. import tensorflow as tf  
2.   
3. #x = tf.constant([[1, 2 ,3],[4, 5, 6]])  
4. 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]]]  
5. #a=tf.constant(x)  
6. a=tf.transpose(x, [0, 1, 2])  
7. b=tf.transpose(x, [0, 2, 1])  
8. c=tf.transpose(x, [1, 0, 2])  
9. d=tf.transpose(x, [1, 2, 0])  
10. e=tf.transpose(x, [2, 1, 0])  
11. f=tf.transpose(x, [2, 0, 1])  
12.   
13. # 'perm' is more useful for n-dimensional tensors, for n > 2  
14. # 'x' is   [[[1  2  3]  
15. #            [4  5  6]]  
16. #           [[7  8  9]  
17. #            [10 11 12]]]  
18. # Take the transpose of the matrices in dimension-0  
19. #tf.transpose(b, perm=[0, 2, 1])  
20. with tf.Session() as sess:  
21.     print ('---------------')  
22.     print (sess.run(a))  
23.     print ('---------------')  
24.     print (sess.run(b))  
25.     print ('---------------')  
26.     print (sess.run(c))  
27.     print ('---------------')  
28.     print (sess.run(d))  
29.     print ('---------------')  
30.     print (sess.run(e))  
31.     print ('---------------')  
32.     print (sess.run(f))  
33.     print ('---------------')  

我们期待的结果是得到如下矩阵：

a: 2 x 3*4

b: 2 x 4*3

c: 3 x 2*4

d: 3 x 4*2

e: 4 x 3*2

f: 4 x 2*2

运行脚本，结果一致，如下：

[html] view plain copy

1. ---------------  
2. [[[ 1  2  3  4]  
3.   [ 5  6  7  8]  
4.   [ 9 10 11 12]]  
5.   
6.  [[21 22 23 24]  
7.   [25 26 27 28]  
8.   [29 30 31 32]]]  
9. ---------------  
10. [[[ 1  5  9]  
11.   [ 2  6 10]  
12.   [ 3  7 11]  
13.   [ 4  8 12]]  
14.   
15.  [[21 25 29]  
16.   [22 26 30]  
17.   [23 27 31]  
18.   [24 28 32]]]  
19. ---------------  
20. [[[ 1  2  3  4]  
21.   [21 22 23 24]]  
22.   
23.  [[ 5  6  7  8]  
24.   [25 26 27 28]]  
25.   
26.  [[ 9 10 11 12]  
27.   [29 30 31 32]]]  
28. ---------------  
29. [[[ 1 21]  
30.   [ 2 22]  
31.   [ 3 23]  
32.   [ 4 24]]  
33.   
34.  [[ 5 25]  
35.   [ 6 26]  
36.   [ 7 27]  
37.   [ 8 28]]  
38.   
39.  [[ 9 29]  
40.   [10 30]  
41.   [11 31]  
42.   [12 32]]]  
43. ---------------  
44. [[[ 1 21]  
45.   [ 5 25]  
46.   [ 9 29]]  
47.   
48.  [[ 2 22]  
49.   [ 6 26]  
50.   [10 30]]  
51.   
52.  [[ 3 23]  
53.   [ 7 27]  
54.   [11 31]]  
55.   
56.  [[ 4 24]  
57.   [ 8 28]  
58.   [12 32]]]  
59. ---------------  
60. [[[ 1  5  9]  
61.   [21 25 29]]  
62.   
63.  [[ 2  6 10]  
64.   [22 26 30]]  
65.   
66.  [[ 3  7 11]  
67.   [23 27 31]]  
68.   
69.  [[ 4  8 12]  
70.   [24 28 32]]]  
71. ---------------  

最后，总结下： [0, 1, 2]是正常显示，那么交换哪两个数字，就是把对应的输入张量的对应的维度对应交换即可。