tf.linalg.matrix_transpose

Транспонирует две последние размерности тензора a.

tf.linalg.matrix_transpose(
    a, name='matrix_transpose', conjugate=False
)

Например:

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

x = tf.constant([[1 + 1j, 2 + 2j, 3 + 3j],
                 [4 + 4j, 5 + 5j, 6 + 6j]])
tf.linalg.matrix_transpose(x, conjugate=True)  # [[1 - 1j, 4 - 4j],
                                               #  [2 - 2j, 5 - 5j],
                                               #  [3 - 3j, 6 - 6j]]

# Matrix with two batch dimensions.
# x.shape is [1, 2, 3, 4]
# tf.linalg.matrix_transpose(x) is shape [1, 2, 4, 3]

Обратите внимание, что tf.matmul предоставляет параметры, позволяющие транспонировать аргументы. Это выполняется с минимальными затратами и предпочтительнее использования этой функции. Например:

# Good!  Transpose is taken at minimal additional cost.
tf.matmul(matrix, b, transpose_b=True)

# Inefficient!
tf.matmul(matrix, tf.linalg.matrix_transpose(b))

Совместимость с NumPy

В numpy транспонирование является операцией с постоянной памятью и эффективной по времени, так как она просто возвращает новый вид тех же данных с изменёнными strides.

TensorFlow не поддерживает шаги, linalg.matrix_transpose возвращает новый тензор с переставленными элементами.