基本的維度變換包含了改變檢視 reshape，插入新維度 expand_dims，刪除維 squeeze，交換維度 transpose，複製資料 tile 等。
四、交換維度
五、資料複製
六、broadcasting(自動擴充套件)
張量的檢視就是我們理解張量的方式，比如shape 為[2,4,4,3]的張量a，我們從邏輯上可以理解為2 張，每張4 行4 列，每個位置有rgb 3 個通道的資料；
張量的儲存體現在張量在記憶體上儲存為一段連續的記憶體區域，對於同樣的儲存，我們可以有不同的理解方式，比如上述a，我們可以在不改變張量的儲存下，將張量a 理解為2 個樣本，每個樣本的特徵為長度48 的向量。
這就是儲存與檢視的關係。
在儲存資料時，記憶體並不支援這個維度層級概念，只能以平鋪方式按序寫入記憶體，因此這種層級關係需要人為管理，也就是說，每個張量的儲存順序需要人為跟蹤。
為了方便表達，我們把張量shape 中相對靠左側的維度叫做大維度，shape 中相對靠右側的維度叫做小維度，比如[2,4,4,3]的張量中，數量維度與通道數量相比，數量叫做大維度，通道數叫做小維度。
例如：在優先寫入小維度的設定下，張量 [2,4,4,3] 的記憶體布局為
為了能夠正確恢復出資料，必須保證張量的儲存順序與新檢視的維度順序一致，
例如根據數量-行-列-通道初始檢視儲存的張量，按照數量-行-列-通道(? − ℎ −w − ?)的順序可以獲得合法資料。
如果按著數量-畫素-通道(b − h ∗ w − c)的方式恢復檢視，也能得到合法的資料。但是如果按著數量-通道-畫素( − c − h ∗ w)的方式恢復資料，由於記憶體布局是按著數量-行-列-通道的順序，檢視維度與儲存維度順序相悖，提取的資料將是錯亂的。
改變檢視是神經網路中非常常見的操作，可以通過串聯多個reshape 操作來實現複雜
邏輯，但是在通過reshape 改變檢視時，必須始終記住張量的儲存順序，新檢視的維度順序不能與儲存順序相悖，否則需要通過交換維度操作將儲存順序同步過來。
舉個例子，對於shape 為[4,32,32,3]的資料，通過reshape 操作將shape 調整為[4,1024,3]，此時檢視的維度順序為 ? − ????? − ?，張量的儲存順序為 [?, ℎ, w, ?]。
在 tensorflow 中，可以通過張量的ndim 和shape 成員屬性獲得張量的維度數和形
狀：通過 tf.reshape(x,new_shape),可以將張量的檢視任意的合法改變
當不知道填入什麼數字合適時，可以選用-1來替代，由python通過其他值進行推算得知具體值
例如將shape為[b,3,4]的輸入資料轉為 shape為[b,3*4]的資料：
增加乙個長度為1 的維度相當於給原有的資料增加乙個新維度的概念，維度長度為1，故資料並不需要改變，僅僅是改變資料的理解方式，因此它其實可以理解為改變檢視的一種特殊方式
通過tf.expand_dims(x, axis)可在指定的axis 軸前可以插入乙個新的維度：
可以看到插入乙個新維度後，資料的儲存順序並沒有改變，僅僅改變了資料的檢視。
需要注意的是，tf.expand_dims 的axis 為正時，表示在當前維度之前插入乙個新維度；為負時，表示當前維度之後插入乙個新的維度。以[?, ℎ, w, ?]張量為例，不同axis 引數的實際插入位置如圖所示：
是增加維度的逆操作，與增加維度一樣，刪除維度只能刪除長度為1 的維度，也不會改變張量的儲存。
可以通過tf.squeeze(x, axis)函式，axis 引數為待刪除的維度的索引號
如果不指定維度引數 axis，即 tf.squeeze(x)，那麼他會預設刪除所有長度為1的維度
在實現演算法邏輯時，在保持維度順序不變的條件下，僅僅改變張量的理解方式是不夠的，有時需要直接調整的儲存順序，即交換維度(transpose)。通過交換維度，改變了張量的儲存順序，同時也改變了張量的檢視。
我們以[?, ℎ, w, ?]轉換到[?, ?, ℎ, w]為例，介紹如何使用tf.transpose(x, perm)函式完成維度交換操作，其中 perm 表示新維度的順序 list。
通過tf.transpose完成維度交換後，張量的儲存順序已經改變，檢視也隨之改變，後續的所有操作必須基於新的存續順序進行
tf.tile(x, multiples)函式完成資料在指定維度上的複製操作，multiples 分別指定了每個維度上面的複製倍數，對應位置為1 表明不複製，為2 表明新長度為原來的長度的2 倍，即資料複製乙份，以此類推。
broadcasting 也叫廣播機制(自動擴充套件也許更合適)，它是一種輕量級張量複製的手段，在邏輯上擴充套件張量資料的形狀，但是只要在需要時才會執行實際儲存複製操作。對於大部分場景，broadcasting 機制都能通過優化手段避免實際複製資料而完成邏輯運算，從而相對於tf.tile 函式，減少了大量計算代價。
對於所有長度為1 的維度，broadcasting 的效果和tf.tile 一樣，都能在此維度上邏輯複製資料若干份，區別在於tf.tile 會建立乙個新的張量，執行複製io 操作，並儲存複製後的張量資料，broadcasting 並不會立即複製資料，它會邏輯上改變張量的形狀，使得檢視上變成了複製後的形broadcasting 會通過深度學習框架的優化手段避免實際複製資料而完成邏輯運算，至於怎麼實現的使用者不必關係，對於用於來說，broadcasting 和tf.tile 複製的最終效果是一樣的，操作對使用者透明，但是broadcasting 機制節省了大量計算資源，建議在運算過程中盡可能地利用broadcasting 提高計算效率。
broadcasting 機制的核心思想是普適性，即同乙份資料能普遍適合於其他位置。在驗證普適性之前，需要將張量shape 靠右對齊，然後進行普適性判斷：對於長度為1 的維度，預設這個資料普遍適合於當前維度的其他位置；對於不存在的維度，則在增加新維度後預設當前資料也是普適性於新維度的，從而可以擴充套件為更多維度數、其他長度的張量形狀。
在 c 維度上，張量已經有2 個特徵資料，新shape 對應維度長度為c(? ≠ 2，比如c=3)，那麼當前維度上的這2 個特徵無法普適到其他長度，故不滿足普適性原則，無法應用 broadcasting 機制，將會觸發錯誤
在進行張量運算時，有些運算可以在處理不同shape 的張量時，會隱式自動呼叫 broadcasting 機制，如+，-，*，/等運算等，將參與運算的張量broadcasting 成乙個公共shape，再進行
tensorflow2 1的維度變換
函式的作用是將tensor變換為引數shape的形式，其中shape為乙個列表形式，特殊的一點是列表中可以存在 1 1代表的含義是不用我們自己指定這一維的大小，函式會自動計算，但列表只能存在乙個 1。如果存在多個 1，就是乙個存在多解的方程 a tf.random.normal 4 28,28 3 ...
tensorflow2 0 維度變換
a tf.random.normal 4,28,28,3 a 1 tf.reshape a,4,784,3 shape 1 a 1 tf.reshape a,4,1,3 shape 和1等價 a 2 tf.reshape a,4,784 3 shape 2 a 2 tf.reshape a,4,1 ...
TensorFlow2 維度變換
目錄tensorflow2教程完整教程目錄 更有python go pytorch tensorflow 爬蟲 人工智慧教學等著你 import tensorflow as tfa tf.random.normal 4,28,28,3 a.shape,a.ndim tensorshape 4,28,...