大家好，又见面了，我是你们的朋友全栈君。
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_img = np.asarray(img, dtype=’float64′)
arr_img = arr_img.transpose(2,0,1).reshape((image_vector_len, ))# 47行，55列，每个点有3个元素rgb。再把这些元素一字排开
transpose是什么意识呢？ 看如下例子：
arr1 = array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
这是原来的矩阵。如果对其进行转置，执行arr2 = arr1.transpose((1,0,2))
得到：
array([[[ 0, 1, 2, 3],
[ 8, 9, 10, 11]],
[[ 4, 5, 6, 7],
[12, 13, 14, 15]]])
过程是怎样的？
arr1.shape 应该是(2, 2, 4) 意为 2维，2*4矩阵
arr1.transpose(*args) 里面的参数，可以这么理解，他是调换arr1.shape的顺序，咱来给arr1.shape标一下角标哈，(2[0], 2[1], 4[2]) [ ] 里是shape的索引，对吧，
transpose((1, 0, 2)) 的意思是 按照这个顺序 重新设置shape 也就是 (2[1], 2[0], 4[2])
虽然看起来 变换前后的shape都是 2,2,4 ， 但是问题来了，transpose是转置
shape按照(1,0,2)的顺序重新设置了， array里的所有元素 也要按照这个规则重新组成新矩阵
比如 8 在arr1中的索引是 (1, 0, 0) 那么按照刚才的变换规则，就是 (0, 1, 0) 看看跟你结果arr2的位置一样了吧，依此类推..
另外一个知识点：
对于一维的shape,转置是不起作用的，举例：
x=linspace(0,4,5)
#array([0.,1.,2.,3.,4.])
y=transpose(x) # 会转置失败。
如果想正确使用的话：
x.shape=(5,1)
y=transpose(x) #就可以了
以上这篇对python 矩阵转置transpose的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。
您可能感兴趣的文章:
Numpy中转置transpose、T和swapaxes的实例讲解
Python实现矩阵转置的方法分析
numpy.transpose对三维数组的转置方法
numpy中的高维数组转置实例
时间： 2018-04-14
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/136958.html原文链接：https://javaforall.cn
