tensorFlow维度变换可分为两个级别，一个是view级，一个是content级。
- view级维度变换：不改变数据的存储关系，比如[3,28,28,3]变换维度为[3,784,3]之后，数据本身并没有改变，属于哪一行哪一列的元素还是可以确定，可以原模原样的恢复为[3,28,28,3]。
- content级维度变换：会改变数据的存储关系。content有”目录”的意思，即索引关系，通过[3,28,28,3]这样的索引号能够找到一个元素。当content被改变时，意味着元素之间的索引关系变了。例如[3,28,28,3]变换为[3,3,28,28]后，相当于把最后面的维度数据整个提到了前面。
基本的维度变换包含了改变视图 reshape，插入新维度 expand_dims，删除维 squeeze，交换维度 transpose，复制数据 tile 等。
一、张量的存储和视图（View）概念
张量的视图就是我们理解张量的方式，比如shape 为[2,4,4,3]的张量A，我们从逻辑上可以理解为2 张图片，每张图片4 行4 列，每个位置有RGB 3 个通道的数据；
张量的存储体现在张量在内存上保存为一段连续的内存区域，对于同样的存储，我们可以有不同的理解方式，比如上述A，我们可以在不改变张量的存储下，将张量A 理解为2 个样本，每个样本的特征为长度48 的向量。
这就是存储和查看之间的关系。
[En]
This is the relationship between storage and view.
在存储数据时，内存不支持这种维度层次的概念，只能以平铺的方式写入内存，因此这种层次关系需要人工管理，即需要人工跟踪每个张量的存储顺序。
[En]
When storing data, memory does not support this concept of dimensional hierarchy, and can only be written to memory in a tiled manner, so this hierarchical relationship needs to be managed artificially, that is, the storage order of each tensor needs to be tracked artificially.
为了方便表达，我们把张量shape 中相对靠左侧的维度叫做大维度，shape 中相对靠右侧的维度叫做小维度，比如[2,4,4,3]的张量中，图片数量维度与通道数量相比，图片数量叫做大维度，通道数叫做小维度。
例如：在优先写入小维度的设定下，张量 [2,4,4,3] 的内存布局为
为了正确恢复数据，我们必须确保张量的存储顺序与新视图的维度顺序一致。
[En]
In order to recover the data correctly, we must ensure that the storage order of the tensor is consistent with the dimension order of the new view.
例如根据图片数量-行-列-通道初始视图保存的张量，按照图片数量-行-列-通道(𝑏 − ℎ −w − 𝑐)的顺序可以获得合法数据。
如果按着图片数量-像素-通道(b − h ∗ w − c)的方式恢复视图，也能得到合法的数据。但是如果按着图片数量-通道-像素( − c − h ∗ w)的方式恢复数据，由于内存布局是按着图片数量-行-列-通道的顺序，视图维度与存储维度顺序相悖，提取的数据将是错乱的。
; 二、Reshape 操作
改变视图是神经网络中非常常见的操作，可以通过串联多个Reshape 操作来实现复杂
逻辑，
但是在通过Reshape 改变视图时，必须始终记住张量的存储顺序，新视图的维度顺序不能与存储顺序相悖，否则需要通过交换维度操作将存储顺序同步过来。
举个例子，对于shape 为[4,32,32,3]的图片数据，通过Reshape 操作将shape 调整为[4,1024,3]，此时视图的维度顺序为 𝑏 − 𝑝𝑖𝑥𝑒𝑙 − 𝑐，张量的存储顺序为 [𝑏, ℎ, w, 𝑐]。
在 TensorFlow 中，可以通过张量的ndim 和shape 成员属性获得张量的维度数和形
状：
通过 tf.reshape(x,new_shape),可以将张量的视图任意的合法改变
当不知道填入什么数字合适时，可以选用 -1 来替代，由python通过其他值进行推算得知具体值
例如将shape为 [b,3,4]的输入数据转为 shape为 [b,3*4] 的数据：
三、增删维度
1、增加维度
增加一个长度为1 的维度相当于给原有的数据增加一个新维度的概念，维度长度为1，故数据并不需要改变，仅仅是改变数据的理解方式，因此它其实可以理解为改变视图的一种特殊方式
比如：，一张28×28 灰度图片的数据保存为 shape 为[28,28]的张量，在末尾给张量增加一新维度，定义为通道数维度，此时张量的shape 变为[28,28,1]：
通过tf.expand_dims(x, axis)可在指定的axis 轴前可以插入一个新的维度：
您可以看到，在插入新维之后，数据的存储顺序不会更改，只更改了数据的视图。
[En]
You can see that after inserting a new dimension, the order in which the data is stored does not change, only the view of the data is changed.
需要注意的是，tf.expand_dims 的axis 为正时，表示在当前维度之前插入一个新维度；为负时，表示当前维度之后插入一个新的维度。以[𝑏, ℎ, w, 𝑐]张量为例，不同axis 参数的实际插入位置如图所示：
; 2、删除维度
这与添加尺寸标注的操作相反。与添加维度一样，删除维度只能删除长度为1的维度，不会更改张量的存储。
[En]
It is the reverse operation of adding dimensions. Like adding dimensions, deleting dimensions can only delete dimensions of length 1 and will not change the storage of tensors.
可以通过tf.squeeze(x, axis)函数，axis 参数为待删除的维度的索引号
如果不指定维度参数 axis，即 tf.squeeze(x)，那么他会默认删除所有长度为1的维度
四、交换维度
在实现算法逻辑时，在保持维度顺序不变的条件下，仅仅改变张量的理解方式是不够的，有时需要直接调整的存储顺序，即交换维度(Transpose)。通过交换维度，改变了张量的存储顺序，同时也改变了张量的视图。
我们以[𝑏, ℎ, w, 𝑐]转换到[𝑏, 𝑐, ℎ, w]为例，介绍如何使用tf.transpose(x, perm)函数完成维度交换操作，其中 perm 表示新维度的顺序 List。
通过tf.transpose完成维度交换后，张量的存储顺序已经改变，视图也随之改变，后续的所有操作必须基于新的存续顺序进行
; 五、数据复制
tf.tile(x, multiples)函数完成数据在指定维度上的复制操作，multiples 分别指定了每个维度上面的复制倍数，对应位置为1 表明不复制，为2 表明新长度为原来的长度的2 倍，即数据复制一份，以此类推。
参考资料：
TensorFlow：维度变换
TensorFlow基础（7.维度变换）
【tensorFlow】维度变换
tensorflow(八)：维度变换
Original: https://blog.csdn.net/u013250861/article/details/124222288
Author: u013250861
Title: TensorFlow2-基础（五）：Tensor的维度变换【改变：reshape（view级别）、transpose（content级别）】【增加（expand_dims）、删除（squeeze）】
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/496759/
转载文章受原作者版权保护。转载请注明原作者出处！