关于类型为numpy，TensorFlow.tensor，torch.tensor的shape变化以及相互转化

1.numpy类型：numpy.ndarray  对于图片读取之后（H,W,C）或者（batch,H,W,C）

（1）在元素总数不变的情况下：numpy类型的可以直接使用方法numpy.reshape任意改变大小,numpy.expand_dims增加维度，大小是1（这个函数可以参考numpy.expand_dims的用法）

（2）元素总数可以变化：scipy.misc.imresize(a,size)

2.TensorFlow的类型：tensorflow.python.framework.ops.tensor  图片的计算格式（H,W,C）或者（batch,H,W,C）

（1）在元素总数不变的情况下：numpy可以直接作为Tensor的输入，一旦被放在tf的函数下则失去了numpy的使用方法。tf.expand_dims在指定维度增加1维，大小为1；tf.squeeze刚好相反，删掉维度为1的轴（这两个函数可以参考tf.expand_dims和tf.squeeze函数）；

（2）元素总数可以变化：

'''
tf和numpy之间的转化
'''
import tensorflow as tf

a= tf.zeros((3,2))
sess=tf.Session()
sess.run(tf.global_variables_initializer())

print("type(a)=",type(a))  # type(a)= <class 'tensorflow.python.framework.ops.Tensor'>

#转化为numpy数组
a_np=a.eval(session=sess)
print("type(a_np)=",type(a_np))  # type(a_np)= <class 'numpy.ndarray'>
#转化为tensor
a2= tf.convert_to_tensor(a_np)
print("type(a2)=",type(a2))  # type(a2)= <class 'tensorflow.python.framework.ops.Tensor'>

3.torch类型：torch.tensor  图片的计算格式是（C,H,W）或者（batch,C,H,W）

numpy类型不能直接作为Tensor的输入，所以在运用torch之前一定要进行转化。

from PIL import Image
import torch
import numpy as np
import matplotlib.pyplot as plt
a=Image.open('/home/zzp/um_lane_000000.png') # 加载图片数据，返回的是一个PIL类型
b=np.array(a).astype(np.float32) # 先将PIL类型转化成numpy类型，并且把数据变成浮点数
c=b.transpose((2,0,1)) # 调整成torch的通道
d=torch.from_numpy(c).float() # 再将numpy类型转化成torch.tensor类型

# 或者另外一种加载图片的方式
import scipy.misc
import torch
import numpy as np
a=scipy.misc.imread('/home/zzp/um_lane_000000.png') # 加载图片数据，返回的是一个numpy类型
c=a.transpose((2,0,1)).astype(np.float32) # 直接调整成torch的通道,不需要转化成numpy类型了，还是要变为浮点数
d=torch.from_numpy(c).float() # 再将numpy类型转化成torch.tensor类型

# 三种加载图像的方法
a=Image.open('/home/zzp/um_lane_000000.png') 
b=scipy.misc.imread('/home/zzp/um_lane_000000.png')
c=plt.imread('/home/zzp/um_lane_000000.png')
#显示

（1）在元素总数不变的情况下

 

（2）元素总数可以变化