Tensorflow中tensor维度的理解以及np.stack的理解

tensor维度可以通过下面这个博客来理解:

一维堆成二维

import numpy as np
a=[[1,2,3],
   [4,5,6]]
print("列表a如下：")
print(a)

print("增加一维，新维度的下标为0")
c=np.stack(a,axis=0)
print(c)

print("增加一维，新维度的下标为1")
c=np.stack(a,axis=1)
print(c)

输出：
列表a如下：
[[1, 2, 3], [4, 5, 6]]
增加一维，新维度下标为0
[[1 2 3]
 [4 5 6]]
增加一维，新维度下标为1
[[1 4]
 [2 5]
 [3 6]]

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24

a可以当作两个1维的张量，维度下标为0。np.stack(a, axis=0)表示增加一个维度，新维度下标0，则原来的维度下标变为1，即

[[1 2 3]
 [4 5 6]]

    1
    2

np.stack(a, axis=1)表示增加的一维的维度下标为1，也就是沿着第1维堆叠，原来的维度不变，还是第0维，即

[[1 4]
 [2 5]
 [3 6]]

    1
    2
    3

对于二维张量，‘高’是第0维，‘宽’是第1维。而对于三维张量，‘深度’是第0维，‘高’是第1维，‘宽’是第2维，以此类推。‘长’‘宽’‘高’是我自己的理解，不知道准不准确。
二维堆成三维

import numpy as np
a=[[1,2,3],
   [4,5,6]]
b=[[1,2,3],
   [4,5,6]]
c=[[1,2,3],
   [4,5,6]]
print("a=",a)
print("b=",b)
print("c=",c)

print("增加一维，新维度的下标为0")
d=np.stack((a,b,c),axis=0)
print(d)

print("增加一维，新维度的下标为1")
d=np.stack((a,b,c),axis=1)
print(d)
print("增加一维，新维度的下标为2")
d=np.stack((a,b,c),axis=2)
print(d)

输出：
('a=', [[1, 2, 3], [4, 5, 6]])
('b=', [[1, 2, 3], [4, 5, 6]])
('c=', [[1, 2, 3], [4, 5, 6]])
增加一维，新维度的下标为0
[[[1 2 3]
  [4 5 6]]

 [[1 2 3]
  [4 5 6]]

 [[1 2 3]
  [4 5 6]]]
增加一维，新维度的下标为1
[[[1 2 3]
  [1 2 3]
  [1 2 3]]

 [[4 5 6]
  [4 5 6]
  [4 5 6]]]
增加一维，新维度的下标为2
[[[1 1 1]
  [2 2 2]
  [3 3 3]]

 [[4 4 4]
  [5 5 5]
  [6 6 6]]]

    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
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51

三维也是一样的，如果增加第0维，则原来的第0维变第1维，原来的第1维变第2维。如果增加第1维，则原来的第0维不变，原来的第1维变第2维。如果增加第2维，则原来的第0维不变，原来的第1维也不变。

widths=np.array([8,16,32])
heights=np.array([32,16,8])
shifts_x = np.array([[0,4,8],[0,4,8]])
shifts_y = np.array([[0,0,0],[4,4,4]])
box_widths, box_centers_x = np.meshgrid(widths, shifts_x)
box_heights, box_centers_y = np.meshgrid(heights, shifts_y)
print(box_widths)
print(box_centers_x)
print(box_heights)
print(box_centers_y)

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10

输出：
[[ 8 16 32]
[ 8 16 32]
[ 8 16 32]
[ 8 16 32]
[ 8 16 32]
[ 8 16 32]]
[[0 0 0]
[4 4 4]
[8 8 8]
[0 0 0]
[4 4 4]
[8 8 8]]
[[32 16 8]
[32 16 8]
[32 16 8]
[32 16 8]
[32 16 8]
[32 16 8]]
[[0 0 0]
[0 0 0]
[0 0 0]
[4 4 4]
[4 4 4]
[4 4 4]]
---------------------  
作者：YabDl  
来源：CSDN  
原文：https://blog.csdn.net/yb564645735/article/details/80272560?utm_source=copy  
版权声明：本文为博主原创文章，转载请附上博文链接！