维度变换是tensorflow中的重要模块之一，前面mnist实战模块我们使用了图片数据的压平操作，它就是维度变换的应用之一。
在详解维度变换的方法之前，这里先介绍一下View（视图）的概念。所谓View，简单的可以理解成我们对一个tensor不同维度关系的认识。举个例子，一个[ b,28,28,1 ]的tensor（可以理解为mnist数据集的一组图片），对于这样一组图片，我们可以有一下几种理解方式：
（1）按照物理设备储存结构，即一整行的方式（28*28）储存，这一行有连续的784个数据，这种理解方式可以用[ b,28*28 ]表示
（2）按照图片原有结构储存，即保留图片的行列关系，以28行28列的数据理解，这种方式可以用[ b,28,28 ]表示
（3）将图片分块（比如上下两部分），这种理解方式与第二种类似，只是将一张图变为两张，这种方式可以用[ b,2,14*28 ]表示
（4）增加channel通道，这种理解方式也与第二种类似，只是这种对rgb三色图区别更明显，可以用[ b,28 28,1 ]表示
通过维度的等价变换，就可以实现思维上View的转换
维度变换的方式：
方式1：tf.reshape（可通过破坏维度之间的关系改变tensor的维度，但不会改变原有数据的存储顺序）
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在恢复已经reshape的数据时会出现问题，比如[ 4,28,28,3 ]的数据reshape成[ 4,784,3 ]的数据要想再恢复成以前的样子，就需要记录下以前的content（内容）信息，如果记录过程出现错误（如width和height维度记反或者数值记错），就会导致恢复不成想要的样子。
方式2：tf.transpose (content的变换)
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)
通过这种变换方式会彻底改变原来图片数据的维度关系，在经过transpose之后，再用reshape变换得到的数据是基于新的content（transpose之后）进行的变换，所以reshape时要记录新的content信息，不然会导致数据混乱甚至程序异常。
方式3：tf.expand_dims、tf.squeeze (增加和减少维度)
a = tf.random.normal([4,35,8]) # tf.expand_dims增加维度 # 若给定axis>0,则在给定轴前增加维度，若给定axis<0，则在给定轴后增加维度 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用于减少维度 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只能减少维度值为1的维度，且axis必须为已存在的轴索引
当前主流的神经网络之一SE-NET就通过巧妙的使用expand和squeeze模块，使得模型准确率更上一个台阶
SE-net的github源码地址：https://github.com/hujie-frank/SENet
原文地址：https://www.cnblogs.com/zdm-code/p/12208146.html