维度变换

张量的存储和视图

我们有4个班级的同学，每个班又分为5个小组，每个小组内有10个人，按照从1~10进行编号，这就是逻辑组织。

如果我们把所有的同学们都排成一队，虽然在物理上看起来是一维的，但是在逻辑上仍然是按照班级小组来组织管理的，我们可以通过班级号.组号.组内序号的方式来唯一指定任何一位同学，例如这是2班3组的第6位同学。

现在，如果我们将这4个班合并成两个班，每个班10组，那么我们只需要修改学生的班级号和组号就可以了，也就是说逻辑上的形状发生了改变，但是同学们的物理位置保持不变。

同样，当多维张量进行维度变换时，很多时候也只是改变了逻辑上的索引方式，它在内存中的存储情况并没有发生任何改变，我们把张亮的逻辑组织方式称为视图，而把他在内存中的物理组织方式称为存储。

改变张量的形状

tf.reshape(tensor, shape)

tensor是要改变的张量对象，
shape是要改变的形状，可以是元组或列表

import tensorflow as tf

a = tf.range(24)
b = tf.reshape(a, [2, 3, 4])
"""
<tf.Tensor: id=5, shape=(2, 3, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],
       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])>
"""

为了更加简洁，可以首先生成一个三维的numpy数组，再用constant转成tensor

tf.constant(np.arange(24).reshape(2, 3, 4))
"""
<tf.Tensor: id=6, shape=(2, 3, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],
       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])>
"""
tf.reshape(b, [4, -1])
"""
<tf.Tensor: id=8, shape=(4, 6), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])>
"""

shape参数=-1：自动给推导出长度。

多维张量的轴：张量的维度

轴也可以是负数，表示从后向前索引。一般在高维的情况下，如果我们想对后面的维度进行操作，使用负数的索引会更加的方便，在变换张量的维度、计算张量的统计信息，以及张量元素之间进行运算时，都有可能用到轴的概念。

增加维度

在tensorflow中，可以使用tf.expand_dims(input, axis)函数，给张量增加一个维度，其中参数input是输入的张量参数，axis指明要在哪个轴上增加，维度增加的这个维度上，长度为1。

例如创建一个一维的张量，它的形状是2，那么使用tf.expand_dims(input, axis)函数，如果参数x=1就是指增加的维度，在序号为1的轴上因此增加维度后，张量的形状是(2, 1)。


下面是三维数组的例子

删除维度

tf.squeezr(input, axis)

只能删除长度为1的维度。
input是输入张量，axis是要删除的轴的索引号。如果axis参数省略，会自动删除所有长度为1的维度。

增加维度和删除维度，只是改变了张量的视图，不会改变张量的存储。

交换维度

tf.transponse(a, perm)

对于二维张量，就是矩阵的转置。

参数perm是各个轴的顺序，可以通过perm调整轴的顺序，从而改变张量的形状。

将(0, 1)变成了(1, 0)，也就是进行了转置

交换维度，不仅改变了张量的视图，同时也改变了张量的存储顺序。

拼接和分割

拼接张量

tf.concat(tensors, axis)

参数tensors是一个列表，包含所有需要拼接的张量，
axis指定在哪个轴上进行拼接，拼接不会产生新的维度。

同样，这里axis也可以是负数，-1表示最后一个维度的索引。

分割张量

将一个张量拆分成多个张量，分割后维度不变。

tf.split(tensors, num_or_size_splits, axis=0)

• tensors：待分割的张量
• axis：指明按照哪个轴分割，默认值为0
• num_orsize_splits：分割的方案
  • 当这个值是单个的值时表示切割的份数
    2：分割成两个张量
  • 当这个值是一个列表时
    [1:2:1]：就表示分割成三个张量，长度是1，2，1

在axis=0上分割，分割成两个

分割成3个

在axis=1上分割，分割成两个

图像的分割和拼接，改变了张量的视图，张量的存储顺序并没有改变。

堆叠和分解

堆叠张量

合并张量时，创建一个新的维度

tf.stack(tensors, axis)

tensors：是要堆叠的多个张量
axis：指定插入新维度的位置

3个形状为(4,)的张量堆叠，
axis=0：(3, 4)
axis=1：(4, 3)

分解张量

将张量分解为多个张量
分解后得到的每个张量，和原来的张量相比，维数都少了一维。

tf.unstack(tensor, axis)