`tf.reshape(a, [m, n])` 和 `tf.transpose(tf.reshape(a, [n, m]))` 之间的区别？

【问题标题】：Difference between `tf.reshape(a, [m, n])` and `tf.transpose(tf.reshape(a, [n, m]))`?`tf.reshape(a, [m, n])` 和 `tf.transpose(tf.reshape(a, [n, m]))` 之间的区别？
【发布时间】：2018-09-30 01:14:05
【问题描述】：

其实我在 coursera 上做 deeplearning.ai 的作业“Art Generation with Neural Style Transfer”。在函数compute_layer_style_cost(a_S, a_G):

a_S = tf.reshape(a_S, [n_H*n_W, n_C])
a_G = tf.reshape(a_G, [n_H*n_W, n_C])

GS = gram_matrix(tf.transpose(a_S))
GG = gram_matrix(tf.transpose(a_G))

为什么这段代码给出了正确的答案，但是下面的却没有：

a_S = tf.reshape(a_S, [n_C, n_H*n_W])
a_G = tf.reshape(a_G, [n_C, n_H*n_W])

GS = gram_matrix(a_S)
GG = gram_matrix(a_G)

【问题讨论】：

标签： python numpy matrix tensorflow deep-learning

【解决方案1】：

这里有一个简单的例子来说明这两个表达式之间的区别：

import tensorflow as tf
tf.InteractiveSession()

x = tf.range(0, 6)
a = tf.reshape(x, [3, 2])
b = tf.transpose(tf.reshape(x, [2, 3]))

print(x.eval())
print(a.eval())
print(b.eval())

结果：

[0 1 2 3 4 5]

[[0 1]
 [2 3]
 [4 5]]

[[0 3]
 [1 4]
 [2 5]]

如您所见，a 和 b 是不同的，但形状相同。这是因为第一次重塑“分裂”x 为 [0 1]、[2 3] 和 [4 5]，而第二次重塑为 [0 1 2] 和 [3 4 5]。

【讨论】：