tf.compat.v1.transpose

Транспонирует a.

tf.compat.v1.transpose(
    a, perm=None, name='transpose', conjugate=False
)

Переупорядочивает измерения в соответствии с perm.

Измерение i возвращаемого тензора соответствует измерению входного тензора perm[i]. Если perm не указано, оно устанавливается в (n-1...0), где n — ранг входного тензора. Таким образом, по умолчанию эта операция выполняет обычную транспозицию матрицы для входных тензоров 2-D. Если conjugate равно True и a.dtype равно либо complex64, либо complex128, то значения a сопрягаются и транспонируются.

Пример:

x = tf.constant([[1, 2, 3], [4, 5, 6]])
tf.transpose(x)  # [[1, 4]
                 #  [2, 5]
                 #  [3, 6]]

# Equivalently
tf.transpose(x, perm=[1, 0])  # [[1, 4]
                              #  [2, 5]
                              #  [3, 6]]

# If x is complex, setting conjugate=True gives the conjugate transpose
x = tf.constant([[1 + 1j, 2 + 2j, 3 + 3j],
                 [4 + 4j, 5 + 5j, 6 + 6j]])
tf.transpose(x, conjugate=True)  # [[1 - 1j, 4 - 4j],
                                 #  [2 - 2j, 5 - 5j],
                                 #  [3 - 3j, 6 - 6j]]

# 'perm' is more useful for n-dimensional tensors, for n > 2
x = tf.constant([[[ 1,  2,  3],
                  [ 4,  5,  6]],
                 [[ 7,  8,  9],
                  [10, 11, 12]]])

# Take the transpose of the matrices in dimension-0
# (this common operation has a shorthand `linalg.matrix_transpose`)
tf.transpose(x, perm=[0, 2, 1])  # [[[1,  4],
                                 #   [2,  5],
                                 #   [3,  6]],
                                 #  [[7, 10],
                                 #   [8, 11],
                                 #   [9, 12]]]

Аргументы
`a`	`Tensor`.
`perm`	Перестановка измерений `a`.
`name`	Имя операции (необязательно).
`conjugate`	Необязательный bool. Установка в `True` математически эквивалентна tf.math.conj(tf.transpose(input)).

Возвращаемое значение
Транспонированный `Tensor`.

Совместимость с numpy

В NumPy транспозиции являются операциями с постоянным временем и эффективными с точки зрения памяти, так как они просто возвращают новый вид тех же данных с измененными strides.

TensorFlow не поддерживает шаги, поэтому transpose возвращает новый тензор с переставленными элементами.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/compat/v1/transpose