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

Question

其实我正在coursera上做deeplearning.ai的作业“Art Generation with Neural Style Transfer”。在函数中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，但是以下代码却没有给出正确的答案：

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)

Answer 1

这是一个简单的示例，显示了这两个表达式之间的差异：

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]]

正如您所注意到的，a和b是不同的，尽管具有相同的形状。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“分裂”为[0 1 2]和[3 4 5]。