tf 矩阵行和列交换_【TF2.1学习笔记4】张量基本操作

大纲维度变换改变视图：tf.reshape(x, shape)

增、删维度：tf.expand_dims(x, axis)和tf.squeeze(x, axis)

变换维度：tf.transpose(x, perm)

复制数据：tf.tile(x, multiples)

广播

四则运算

乘方运算

指数和对数

矩阵运算

1. 维度变换

1.1 改变视图

一个张量有存储和视图两个概念。存储指将张量保存在一个连续的内存区域内。视图指我们理解存储的方式，视图并不会改变张量的存储顺序。

合法的视图操作不会改变张量的存储顺序。什么操作是合法的？设有一个batch的图像为[b,h,w,c]，合法的视图操作包括：[b,h*w,c]

[b,h,w*c]

[b,h*w*c]

如果把[b,h,w,c]改为[b,w,h,c]或[b,c,h*w]，就是不合法的视图操作，这些操作改变了张量的存储。

通过tf.reshape(x,shape)，可以将张量的视图任意地、合法地改变。在shape里面，如果有-1，它指当前轴上长度需要根据张量总元素不变的法则自动推导。

例子1：

x=tf.range(9)

x=tf.reshape(x,[3,-1])

print(x) #可以看到，在reshape前后，张量的存储顺序没有变化。

outputs:

tf.Tensor(

[[0 1 2]

[3 4 5]

[6 7 8]], shape=(3, 3),