TensorFlow多维矩阵的转置，tensorflow.transpose()的理解

TensorFlow——多维矩阵的转置（transpose）：
https://blog.csdn.net/qq_37174526/article/details/80905693

这一篇写得相当清楚。

我额外添加一些对参数perm的理解：

---

这是官方文档里的描述，简单的翻译：

转置矩阵a根据参数perm对矩阵维数进行调整。

返回的张量的维数i将对应于输入维数perm[i]。如果没有指定perm，默认为(n-1…0)，其中n是输入张量的秩。因此，默认情况下，这个操作对二维输入张量执行一个常规矩阵转置。如果共轭(conjugate)为true，a.dtype可以是complex64,也可以是complex128，然后对a的值进行共轭和转置。

在numpy转置中，@compatibility(numpy)是一种内存效率高的常量时间操作，因为它们只是用调整后的步长返回相同数据的新视图。张量流不支持大步，因此转置返回一个新的张量，其中的项被置换。@end_compatibility

perm[i]内放的是转置后的新张量的轴相对于旧张量的改变，也就是你想要的改变。

初始情况下，n维张量中轴的排列为[0,1,2,3,…,n-1]

例如：一个二维张量x，初始情况下轴的排列为（0，1）

[
	[1, 2, 3], 
	[4, 5, 6]
	]

perm=[1, 0],意味着新矩阵中 [轴0变为轴1，轴1变为轴0].

 x = tf.constant([[1, 2, 3], [4, 5, 6]]) tf.transpose(x) 
#[[1, 4]#[2, 5] # [3, 6]]

 Equivalently(相当于)：

 tf.transpose(x, perm=[1, 0]) 
 #[[1, 4] 
 # [2, 5] # [3, 6]]

我在实际中遇到的例子：

>>>X=tf.constant(housing_data_plus_bias,dtype=tf.float32,name="X")
>>>y=tf.constant(housing.target.reshape(-1,1),dtype=tf.float32,name="y")
>>>print(X.shape)
(20640, 9)

>>>XT=tf.transpose(X)#张量转置
>>>print(XT)
Tensor("transpose:0", shape=(9, 20640), dtype=float32)