tensorflow的reshape操作tf.reshape()

tensorflow的reshape操作tf.reshape()

在处理图像数据的时候总会遇到输入图像的维数不符合的情况，此时tensorflow中reshape()就很好的解决了这个问题。 更为详细的可以参考官方文档说明： numpy.reshape reshape()的括号中所包含的参数有哪些呢？常见的写法有tf.reshape((28,28)): tf.reshape(tensor,shape,name=None) 函数的作用是将tensor变换为参数shape形式，其中的shape为一个列表形式，特殊的是列表可以实现逆序的遍历，即list(-1).-1所代表的含义是我们不用亲自去指定这一维的大小，函数会自动进行计算，但是列表中只能存在一个-1。（如果存在多个-1，就是一个存在多解的方程） 下面就说一下reshape是如何进行矩阵的变换的，其简单的流程就是：  将矩阵t变换为一维矩阵，然后再对矩阵的形式进行更改就好了，具体的流程如下： reshape(t,shape) =>reshape(t,[-1]) =>reshape(t,shape) 实际操作中，有如下效果：我创建了一个一维的数组 >>>import numpy as np >>>a= np.array([1,2,3,4,5,6,7,8]) >>>a array([1,2,3,4,5,6,7,8]) >>> 使用reshape()方法来更改数组的形状，使得数组成为一个二维的数组：（数组中元素的个数是2×4=8） >>>d = a.reshape((2,4)) >>>d array([[1, 2, 3, 4], [5, 6, 7, 8]]) 进一步提升，可以得到一个三维的数组f:（注意数组中元素的个数时2×2×2=8） >>>f = a.reshape((2,2,2)) >>>f array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) 注意：形状发生变化的原则时数组元素的个数是不能发生改变的，比如像下面这样的写法就会报错：  （元素的个数是2×2=4，所以会报错） >>> e = a.shape((2,2)) Traceback (most recent call last): File "", line 1, in TypeError: 'tuple' object is not callable -1 的应用:-1 表示不知道该填什么数字合适的情况下，可以选择，由python通过a和其他的值3推测出来，比如，这里的a 是二维的数组，数组中共有6个元素，当使用reshape()时，6/3=2，所以形成的是3行2列的二维数组，可以看出，利用reshape进行数组形状的转换时，一定要满足（x,y）中x×y=数组的个数。 >>>a = np.array([[1,2,3],[4,5,6]]) >>>np.reshape(a,(3,-1)) array([[1, 2], [3, 4], [5, 6]]) >>> np.reshape(a,(1,-1)) array([[1, 2, 3, 4, 5, 6]]) >>> np.reshape(a,(6,-1)) array([[1], [2], [3], [4], [5], [6]]) >>> np.reshape(a,(-1,1)) array([[1], [2], [3], [4], [5], [6]]) 下面是两张2×3大小的图片（不知道有几张图片可以用-1代替），如何把所有二维照片给转换成一维的，请看以下三维的数组： >>>image = np.array([[[1,2,3], [4,5,6]], [[1,1,1], [1,1,1]]]) >>>image.shape (2,2,3) >>>image.reshape((-1,6)) array([[1, 2, 3, 4, 5, 6], [1, 1, 1, 1, 1, 1]]) >>> a = image.reshape((-1,6)) >>> a.reshape((-1,12)) array([[1, 2, 3, 4, 5, 6, 1, 1, 1, 1, 1, 1]]) a.reshape((12,-1)) array([[1], [2], [3], [4], [5], [6], [1], [1], [1], [1], [1], [1]]) >>> a.reshape([-1]) array([1, 2, 3, 4, 5, 6, 1, 1, 1, 1, 1, 1]) 通过reshape生成的新的形状的数组和原始数组共用一个内存，所以一旦更改一个数组的元素，另一个数组也将会发生改变。 >>>a[1] = 100 >>>a array([ 1, 100, 3, 4, 5, 6, 7, 8]) >>> d array([[ 1, 100, 3, 4], [ 5, 6, 7, 8]]) 最后再给大家呈现一下官方给出的例子： # tensor 't' is [1, 2, 3, 4, 5, 6, 7, 8, 9] # tensor 't' has shape [9] reshape(t, [3, 3]) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9]] # tensor 't' is [[[1, 1], [2, 2]], # [[3, 3], [4, 4]]] # tensor 't' has shape [2, 2, 2] reshape(t, [2, 4]) ==> [[1, 1, 2, 2], [3, 3, 4, 4]] # tensor 't' is [[[1, 1, 1], # [2, 2, 2]], # [[3, 3, 3], # [4, 4, 4]], # [[5, 5, 5], # [6, 6, 6]]] # tensor 't' has shape [3, 2, 3] # pass '[-1]' to flatten 't' reshape(t, [-1]) ==> [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6, 6, 6] # -1 can also be used to infer the shape # -1 is inferred to be 9: reshape(t, [2, -1]) ==> [[1, 1, 1, 2, 2, 2, 3, 3, 3], [4, 4, 4, 5, 5, 5, 6, 6, 6]] # -1 is inferred to be 2: reshape(t, [-1, 9]) ==> [[1, 1, 1, 2, 2, 2, 3, 3, 3], [4, 4, 4, 5, 5, 5, 6, 6, 6]] # -1 is inferred to be 3: reshape(t, [ 2, -1, 3]) ==> [[[1, 1, 1], [2, 2, 2], [3, 3, 3]], [[4, 4, 4], [5, 5, 5], [6, 6, 6]]] # tensor 't' is [7] # shape `[]` reshapes to a scalar reshape(t, []) ==> 7

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。