手机网站的作用,如何下wordpress,.天津网站建设,电商外贸网站建设借鉴代码https://blog.csdn.net/xiongchengluo1129/article/details/79017142 吐槽一下CSDN的垃圾广告。。 这是转置#xff0c;所以1维#xff08;向量#xff09;和2维#xff08;矩阵#xff09;的转置的意义很直观#xff0c;就是数学上学的。 难的就是超过三维的张量… 借鉴代码https://blog.csdn.net/xiongchengluo1129/article/details/79017142 吐槽一下CSDN的垃圾广告。。 这是转置所以1维向量和2维矩阵的转置的意义很直观就是数学上学的。 难的就是超过三维的张量怎么转置。 先看结果 import numpy as npthreenp.arange(18).reshape(2,3,3)three
array([[[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8]],[[ 9, 10, 11],[12, 13, 14],[15, 16, 17]]])three.transpose()
array([[[ 0, 9],[ 3, 12],[ 6, 15]],[[ 1, 10],[ 4, 13],[ 7, 16]],[[ 2, 11],[ 5, 14],[ 8, 17]]])three本身shape是(2,3,3)这个先看清楚了。然后transpose不给参数默认是从(0,1,2)-(2,1,0)【以上的0,1,2表示的维度的序号】所以three.transpose的结果最外围第一维度就是3的元素行列其实无所谓是吧自己画画树状图比较比较就很清楚了。这不是重点重点是怎么用。在深度学习中常见这样的表达 img_y np.transpose(img_x, (0,2,1,3)) TensorFlow中的图像数据张量一般是四维分别是张数宽度高度通道数这句话的意思就是把宽和高转置。自己体会一下。图片顺序和通道顺序是不变的。 转载于:https://www.cnblogs.com/alexYuin/p/8849715.html
