摘要：
维数_ N是整数。如果张量是三维的，则用0,1,2表示。此列表中的每个数字都对应于相应的维度。importnumpyasnpimporttensorflowstfA=np.arrayx=tf转置B=np.arryy=tf转置tf.Session（）评估：printprintprintA:[[123][456]]新_ A:[[14][25][36]]B:[[[123][456]]新_ B:[[1][4][2][53]][3][6]分析和理解：对于第一个二维矩阵A，它相对简单，即普通转置。
一、tf.transpose函数的用法
tf.transpose(input, [dimension_1, dimenaion_2,..,dimension_n]):这个函数主要适用于交换输入张量的不同维度用的，如果输入张量是二维，就相当是转置。dimension_n是整数，如果张量是三维，就是用0,1,2来表示。这个列表里的每个数对应相应的维度。如果是[2,1,0]，就把输入张量的第三维度和第一维度交换。
import numpy as np import tensorflow as tf A = np.array([[1,2,3],[4,5,6]]) x = tf.transpose(A, [1,0]) B = np.array([[[1,2,3],[4,5,6]]]) y = tf.transpose(B, [2,1,0]) with tf.Session() as sess: print("A: ",A) print("new_A: ",sess.run(x)) print("B: ",B) print("new_B: ",sess.run(y))
A:
[[1 2 3]
[4 5 6]]
new_A:
[[1 4]
[2 5]
[3 6]]
B:
[[[1 2 3]
[4 5 6]]]
new_B:
[[[1]
[4]]
[[2]
[5]]
[[3]
[6]]]
分析理解：对于第一个二维矩阵A来说就比较简单了，就是普通的转置。对于第二个三维变量B，在转置前可以理解为是1片2*3的矩阵，而转置操作要求第一维和第三维置换，那就是要变成3片2*1的矩阵，这样就好理解了，输出结果正是3片1*2的矩阵。
二、tf.argmax函数用法
该函数就是找出每行或者每列的最大值所在的索引值，第二个参数为表示按行查找还是按列查找，1-按行，0-按列。
import tensorflow as tf C=[[9,8,3],[1,7,2]] with tf.Session() as sess: print(sess.run(tf.argmax(C,1)))
[0 1]
三、tf.equal函数
vimport tensorflow as tf import numpy as np A = [[1,3,4,5,6]] B = [[1,3,4,3,2]] with tf.Session() as sess: print(sess.run(tf.equal(A, B)))
输出： [[ True True True False False]]
四、tf.reduce_mean函数
A = [[1,3,4,5,6]] B = [[1,3,4,3,2]]
correctPred=tf.equal(A,B) accuracy = tf.reduce_mean(tf.cast(correctPred, tf.float32)) with tf.Session() as sess: print(sess.run(accuracy))
输出：0.6
解析：根据上述输出，3个为True，所以accuracy=3/5=0.6