说明：这两个维度变换操作，对于张量的处理是非常重要的！但是二者其实有本质上的不同！一定不能混用。本文将详细说明两者对张量变换的区别。

写在前面1：Tensorflow与Numpy其实从出发点来讲是一致的！都是“高维数组”的科学计算库，只不过TF把高维数组又起了一个名字叫“张量”而已。因此：高维数组与张量没有本质区别！只不过张量多了一个属性叫“张量的阶”（其实就是这个高维数组一共有几维而已）。因此：本文所阐明的Tensorflow中的tf.reshape与tf.transpose的不同，同理可用来区别Numpy中np.reshape与np.transpose。

写在前面2：transpose就是“转置”的意思！当数据/张量为2维时，不论是reshape还是transpose都非常好理解。而本文讲解的“高维数组”下的情况：举一个3维数组的例子，理解之后即可理解更高维的情况。

写在前面3：在深度学习中，tf.reshape改变的是“view(视图)”；tf.transpose改变的是“content(原图)”。其实二者都会改变原始图像的样貌，但个人认为：tf.transpose对原图的改变程度更大！—— 因为它改变的是轴的顺序

本文举例中所用的数据：

import numpy as np
import tensorflow as tf

c1 = [0, 1, 2, 3]
c2 = [4, 5, 6, 7]
c3 = [8, 9, 10, 11]
c4 = [12, 13, 14, 15]
c5 = [16, 17, 18, 19]
c6 = [20, 21, 22, 23]

c = np.array( [ [c1,c2], [c3,c4], [c5,c6] ] )
c = tf.convert_to_tensor(c)

# 所用数据为：
<tf.Tensor: id=12, shape=(3, 2, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])>

---

一、tf.reshape( c, [] )

使用方式：c1 = tf.reshape(c, [新的尺寸])
参数1：c是原始图像；
参数2：[新的尺寸] —— 给一个“符合逻辑(乘积和原数据点数相同)”的新尺寸。既然可以自定义尺寸，那么理论上就会有非常多种view视图；
函数内部处理流程：

• 把c所有数据点：按页一行一行展平；—— 一定且无法改变
• 把展平的数据按新的尺寸组合起来。—— 自定义

随便自定义一种view视图：

c2 = tf.reshape(c, [2, 6, 2])
c2

# 结果：
<tf.Tensor: id=22, shape=(2, 6, 2), dtype=int32, numpy=
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5],
        [ 6,  7],
        [ 8,  9],
        [10, 11]],

       [[12, 13],
        [14, 15],
        [16, 17],
        [18, 19],
        [20, 21],
        [22, 23]]])>

说明（很重要）：如上面说明的函数内部处理流程，其中第一步“数据展平”操作一定会进行且展平规则不会被改变。—— 也就是说：只要原始数据不变，那么展平操作就不变，展平的效果就不变，即：各个“数据点之间的前后顺序”不会改变！—— 所以，不管在哪种view视图下，只要再次reshape到原图的的视图(3,2,4)，就能回到原图！！！

在c2视图的基础上，按照原图的视图(3,2,4)回到原图：

c3 = tf.reshape(c2, [3,2,4])  # 在c2视图的基础上，回到原图的视图
c3

# 结果：
<tf.Tensor: id=24, shape=(3, 2, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])>

总结：不管怎么reshape原图，只要原图不变，那么任何新的view视图只要通过“原图的view视图方式”，就一定能回到原图。 —— 即：reshape没有改变原图，因为它没有改变“展平后”的数据点前后、先后顺序！！！ —— 即：reshape，仅仅是对原图“看法”的改变，原图还是原图。

---

二、tf.transpose( c, perm = [新的轴顺序] )

使用方式1：c1 = tf.transpose( c, perm = [新的轴顺序] )
使用方式2：c1 = tf.tf.transpose( c, [新的轴顺序] ) # perm可以不写
参数1：c还是原图数据；
参数2：[新的轴顺序] —— 里面的数值是“索引值”。不需要给定义，举个例子就能明白：比如这里是[1, 0, 2]，那么就表示：原来索引号为1的轴(原第二个)，现在放第一位；原来索引号为0的轴(原第一个)，现在放第二位；原来索引号为2的轴(原第三个)，现在放第三位。 —— 即：原图尺寸是(3,2,4)，现在按索引号重新调整后变为：(2,3,4)。

它的效果可能不好直观理解，毕竟是“轴交换”。那么下面用是一个示意图来说明。看了示意图，会发现transpose的操作其实很好理解：

图1：transpose之前

看的角度永远是“顺着0轴正方向看”：可以看到3个2x4 —— (3,2,4)

[0 1 2 3
 4 5 6 7]

[8 9 10 11
 12 13 14 15]

[16 17 18 19
 20 21 22 23]

---

当perm = [1, 0, 2]时：0轴和1轴交换

图2：transpose之后：0轴和1轴交换

仍然是“顺着0轴正方向看”：现在是“从纸内向纸外”（不方便画箭头，就省略了）。那么现在看到就是2个3x4 —— (2, 3, 4)

[0 1 2 3
 8 9 10 11
 16 17 18 19]

[4 5 6 7
 12 13 14 15
 20 21 22 23]

验证一下这种理解方法是否正确：

c1 = tf.transpose(c, perm = [1, 0, 2])
c1

# 结果：
<tf.Tensor: id=26, shape=(2, 3, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11],
        [16, 17, 18, 19]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15],
        [20, 21, 22, 23]]])>   # 果然，理解没错！

说明（很重要）：tf.transpose改变是轴的顺序，也就是从不同的轴向来看待原数据！—— 这种轴的变换，虽然原数据点之间的相互顺序没用变，但换了一个轴的来看、来划分这些数据，其结果就是完全新的数据！—— 这些新的数据，不管怎么reshape是肯定回不到原图像的（因为reshape所根据的是“新数据”，由由上面关于reshape的说明可知：reshape不会改变所基于数据的数据点的相互排序顺序，因此不可能通过reshape把新数据恢复到原数据）。—— 因此：要想把tf.transpose创造的新数据，再转变回原数据，只能还利用tf.transpose按“相反的轴变换”再变回去。

例如，把上面的c1再利用tf.transpose变回原图：在新图上再把0轴和1轴交换

c11 = tf.transpose(c1, [1, 0, 2])
c11

# 结果：
<tf.Tensor: id=20, shape=(3, 2, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])>

总结：以0轴的正方向来看，再每一个面上：先2轴正方向，再1轴正方向。
总之：tf.transpose对于高维数组/张量的变换，是轴的交换，从得带来的是“观察方位”的改变。