tensorflow tensor 维度变换
- 张量是 TensorFlow 中多维数组的载体，用 Tensor 对象实现
- 在 CPU 环境下，张量和 NumPy 数组是共享同一段内存的，只是 tensorflow 和 numpy 各自采用不同的方式读取它。
- 多维张量在内存中是以一维数组的方式连续存储的
改变张量的形状： tf.reshape(tensor, shape) 
创建时，修改维度： 
轴与维度
轴可以是负数，维数较多，需要操作后几维时，用负数方便。 
增加和删除维度 增加的这个维度上，长度为
1：tf.expand_dims(input, axis) 删除维度，只能删除长度为 1
的维度(不指定轴，删除所有维度为 1
的轴)：tf.squeeze(input, axis)
增加和删除维度，只是改变了张量的视图，不会改变张量的存储。 
交换维度
tf.transpose(a, perm)，perm 为张量中各个轴的顺序
对于二维张量，就是矩阵的转置。 
交换维度，不仅改变了张量的视图，同时也改变了张量的存储顺序
拼接与分割
图像的分割与拼接，改变了张量的视图，张量的存储顺序并没有改变。
拼接张量，拼接不会产生新的维度：
tf.concat(tesnsors,axis),
分割张量，将一个张量拆分成多个张量，分割后维度不变。
tf.split(value, num_or_size_splits, axis=0)value：张量 num_or_size_splits:分割方案，单个数表示等长切割份数，序列时，就是每份 2: 分割成 2 个张量 [1:2:1]: 就表示分割成三个张量,长度分别是 1,21
堆叠和分解
堆叠张量：tf.stack(values,axis)
合并张量时，创建一个新的维度。
values: 堆叠的多个张量 axis: 指定插入新的维度的位置
分解张量：tf.unstack(values,axis)
将张量分解为多个张量；分解后得到的每个张量，和原来的张量相比，维数都少了一维。
