維度變換是tensorflow中的重要模塊之一，前面mnist實戰模塊我們使用了圖片數據的壓平操作，它就是維度變換的應用之一。
在詳解維度變換的方法之前，這里先介紹一下View（視圖）的概念。所謂View，簡單的可以理解成我們對一個tensor不同維度關系的認識。舉個例子，一個[ b,28,28,1 ]的tensor（可以理解為mnist數據集的一組圖片），對於這樣一組圖片，我們可以有一下幾種理解方式：
（1）按照物理設備儲存結構，即一整行的方式（28*28）儲存，這一行有連續的784個數據，這種理解方式可以用[ b,28*28 ]表示
（2）按照圖片原有結構儲存，即保留圖片的行列關系，以28行28列的數據理解，這種方式可以用[ b,28,28 ]表示
（3）將圖片分塊（比如上下兩部分），這種理解方式與第二種類似，只是將一張圖變為兩張，這種方式可以用[ b,2,14*28 ]表示
（4）增加channel通道，這種理解方式也與第二種類似，只是這種對rgb三色圖區別更明顯，可以用[ b,28 28,1 ]表示
通過維度的等價變換，就可以實現思維上View的轉換
維度變換的方式：
方式1：tf.reshape（可通過破壞維度之間的關系改變tensor的維度，但不會改變原有數據的存儲順序）
a = tf.random.normal([4,28,28,3]) print(a.shape) print(tf.reshape(a,[4,784,3]).shape) print(tf.reshape(a,[4,-1,3]).shape) print(tf.reshape(a,[4,784*3]).shape) print(tf.reshape(a,[4,-1]).shape)
但是reshape在恢復已經reshape的數據時會出現問題，比如[ 4,28,28,3 ]的數據reshape成[ 4,784,3 ]的數據要想再恢復成以前的樣子，就需要記錄下以前的content（內容）信息，如果記錄過程出現錯誤（如width和height維度記反或者數值記錯），就會導致恢復不成想要的樣子。
方式2：tf.transpose (content的變換)
a = tf.random.normal([4,3,2,1]) print(a.shape) print(tf.transpose(a).shape) print(tf.transpose(a,perm=[0,1,3,2]).shape)
通過這種變換方式會徹底改變原來圖片數據的維度關系，在經過transpose之后，再用reshape變換得到的數據是基於新的content（transpose之后）進行的變換，所以reshape時要記錄新的content信息，不然會導致數據混亂甚至程序異常。
方式3：tf.expand_dims、tf.squeeze (增加和減少維度)
a = tf.random.normal([4,35,8]) # tf.expand_dims增加維度 # 若給定axis>0,則在給定軸前增加維度，若給定axis<0，則在給定軸后增加維度 print(tf.expand_dims(a,axis=0).shape) print(tf.expand_dims(a,axis=3).shape) print(tf.expand_dims(a,axis=-1).shape) print(tf.expand_dims(a,axis=-4).shape) # tf.squeeze用於減少維度 print(tf.squeeze(tf.zeros([1,2,1,1,3])).shape) a = tf.zeros([1,2,1,3]) print(tf.squeeze(a,axis=0).shape) print(tf.squeeze(a,axis=2).shape) print(tf.squeeze(a,axis=-2).shape) print(tf.squeeze(a,axis=-4).shape)
需要注意的是，squeeze只能減少維度值為1的維度，且axis必須為已存在的軸索引
當前主流的神經網絡之一SE-NET就通過巧妙的使用expand和squeeze模塊，使得模型准確率更上一個台階
SE-net的github源碼地址：https://github.com/hujie-frank/SENet