1 .T,适用于一、二维数组

arr.T #求转置

In [1]: import numpy as npIn [2]: arr = np.arange(20).reshape(4,5)#生成一个4行5列的数组In [3]: arr
Out[3]:
array([[ 0,  1,  2,  3,  4],[ 5,  6,  7,  8,  9],[10, 11, 12, 13, 14],[15, 16, 17, 18, 19]])  # 4行5列In [4]: arr.T #求转置
Out[4]:
array([[ 0,  5, 10, 15],[ 1,  6, 11, 16],[ 2,  7, 12, 17],[ 3,  8, 13, 18],[ 4,  9, 14, 19]])  # 5行4列

transpose 的原理其实是根据维度（shape）索引决定的，举个栗子：

x = np.arange(4).reshape((2,2)) //生成一个2x2的数组
print(x)
[[0 1]
[2 3]]

我们生成了一个维度为二维的数组，其中有两个索引值（矩阵的行与列）。

transpose()函数的作用就是调换数组的行列值的索引值，类似于求矩阵的转置：

x = np.arange(4).reshape((2,2))
x = np.transpose(x)
print(x)
[[0 2][1 3]]

我们可以直观的看到，数组的行列索引值对换，1的位置从x(0,1)跑到了x(1,0)。

那么三维数组呢？

2. 高维数组

对于高维数组，transpose需要用到一个由轴编号组成的元组，才能进行转置。

这里，着实好好理解了一下。开始的时候怎么都想不明白。因为他跟矩阵转置理解起来不太一样。

首先定义一个原数组arr

原3维数组arr:[[[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
3个维度: (2, 3, 4)

原三维数组 arr 三个维度 (2,3,4) CHW，对应的是 (0,1,2) 三个索引

形状	索引
2	0
3	1
4	2

transpose 函数可以理解为改变数组数值的映射关系，原数组中，6这个数所在的索引是（0,1,2）

arr1 = arr.transpose((1,0,2)) 的操作相当于把原三维数组 arr 的第一个维度和第二个维度调换【新数组6这个数所在的索引是（1,0,2）】
arr2 = arr.transpose((0,2,1)) 的操作相当于把原三维数组 arr 的第二个维度和第三个维度调换【新数组6这个数所在的索引是（0,2,1）】

原数组 arr (2,3,4)

新数组 arr1 (3,2,4)

新数组arr2 (2,4,3)

3. `swapaxes`

虽然还有点不解的地方，但是，理解了上方那部分之后，swapaxes方法也就很好理解了。它接受一对轴编号。进行轴对换。其实也就是shape参数。

In [67]: arr2 = np.arange(16).reshape(2,2,4)           In [68]: arr2
Out[68]:
array([[[ 0,  1,  2,  3],                              [ 4,  5,  6,  7]],                             [[ 8,  9, 10, 11],                              [12, 13, 14, 15]]])                            In [69]: arr2.shape
Out[69]: (2, 2, 4)                                     In [70]: arr2.swapaxes(1,2)
Out[70]:
array([[[ 0,  4],                                      [ 1,  5],                                      [ 2,  6],                                      [ 3,  7]],                                     [[ 8, 12],                                      [ 9, 13],                                      [10, 14],                                      [11, 15]]])   In [4]: arr2.swapaxes(1,0)#转置，对比transpose（1,0,2）
Out[4]:
array([[[ 0,  1,  2,  3],[ 8,  9, 10, 11]],[[ 4,  5,  6,  7],[12, 13, 14, 15]]])

文章转载自：

详解numpy中transpose()函数_深度Face的博客-CSDN博客

转置（transpose）的理解_G果的博客-CSDN博客

转置（transpose）的理解相关推荐

python transpose_对python 矩阵转置transpose的实例讲解
在读图片时,会用到这么的一段代码: image_vector_len = np.prod(image_size)#总元素大小,3*55*47 img = Image.open(path) arr_im ...
python转置矩阵函数_对python 矩阵转置transpose的实例讲解
在读图片时,会用到这么的一段代码: image_vector_len = np.prod(image_size)#总元素大小,3*55*47 img = Image.open(path) arr_im ...
python矩阵转置_对python矩阵转置transpose的实例讲解
对python矩阵转置transpose的实例讲解在读图片时,会用到这么的一段代码: image_vector_len = np.prod(image_size)#总元素大小,3*55*47 img ...
numpy中的转置Transpose和.T以及轴对换swapaxis
简介: 本文对于 numpy中的转置Transpose和.T以及轴对换swapaxis 中关于numpy矩阵的轴交换函数进行了测试.并对于深度学习中的图像数据进行处理. 参考文章:https://b ...
深度学习 | 反卷积/转置卷积的理解 transposed conv/deconv
原文:https://blog.csdn.net/u014722627/article/details/60574260 深度学习 | 反卷积/转置卷积的理解 transposed conv/dec ...
Matlab转置transpose, .‘与复共轭转置ctranspose, ‘
Matlab里有两种转置, 转置transpose或者.'与复共轭转置ctranspose或者'. 对于实数矩阵, 两种方法结果一样. 对于复数矩阵, 使用ctranspose或者'不仅会转置, 复数 ...
python 矩阵转置transpose
在读图片时,会用到这么的一段代码: image_vector_len = np.prod(image_size)#总元素大小,3*55*47 img = Image.open(path) ...
tensorflow.transpose的理解
2维的话就是转置:行变列列变行 3维的话就把数据看成立方体,tanspose的维度的变化就是从不同轴的方向看得到的数据.因为行x宽x高是相对的,这就导致了transpose横看成岭侧成峰的现象 h ...
深度学习卷积网络中反卷积/转置卷积的理解 transposed conv/deconv
搞明白了卷积网络中所谓deconv到底是个什么东西后,不写下来怕又忘记,根据参考资料,加上我自己的理解,记录在这篇博客里. 先来规范表达为了方便理解,本文出现的举例情况都是2D矩阵卷积,卷积输入和核 ...
tf.transpose()个人理解，高纬度的变换，可以将部分维度看成黑盒（整体）
一函数原型 tf.transpose( a, perm=None, name='transpose', conjugate=False ) a:表示的是需要变换的张量 perm:a的新的维度序列 n ...

转置（transpose）的理解