最近看代码的时候，老是出现np.transpose()这个用法，但是对其中的原理还是不甚了解，今天就来总结一下，以及这个用法对图像的结果及效果。

参数 a:输入数组
axis: int类型的列表，这个参数是可选的。默认情况下，反转的输入数组的维度，当给定这个参数时，按照这个参数所定的值进行数组变换。
返回值 p:ndarray 返回转置过后的原数组的视图。

给大家举个例子。

1. 对于一维数组：

>>> import numpy as np
>>> t=np.arange(4)
>>> t
array([0, 1, 2, 3])
>>> t.transpose()
array([0, 1, 2, 3])
>>> 

由上可见，对于一维数组而言，numpy.transpose()是不起作用的。

1. 对于二位数组：

>>> two=np.arange(16).reshape(4,4)
>>> two
array([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11],[12, 13, 14, 15]])
>>> two.transpose()
array([[ 0,  4,  8, 12],[ 1,  5,  9, 13],[ 2,  6, 10, 14],[ 3,  7, 11, 15]])
>>> two.transpose(1,0)
array([[ 0,  4,  8, 12],[ 1,  5,  9, 13],[ 2,  6, 10, 14],[ 3,  7, 11, 15]])

有以上可见，原数组two的数组两个轴为（x，y），对应的下标为（0,1），np.transpose()传入的参数为（1,0），即将原数组的x,y轴互换。综上，对二维数组的transpose操作就是对原数组的转置操作。

1. 对于三维数组：先看一个例子。

>>> three=np.arange(18).reshape(2,3,3)
>>> three
array([[[ 0,  1,  2],[ 3,  4,  5],[ 6,  7,  8]],[[ 9, 10, 11],[12, 13, 14],[15, 16, 17]]])
>>> three.transpose()
array([[[ 0,  9],[ 3, 12],[ 6, 15]],[[ 1, 10],[ 4, 13],[ 7, 16]],[[ 2, 11],[ 5, 14],[ 8, 17]]])
>>> 

这是numpy.transpose()函数对three数组默认的操作，即将原数组的各个axis进行reverse一下，three原始axis排列为（0,1,2），那numpy.transpose()默认的参数为（2，1，0）得到转置后的数组的视图，不影响原数组的内容以及大小。
我们一步一步来分析这个过程：axis（0，1，2）———>axis(2，1，0) ，transpose后的数组相对于原数组来说，相当于交换了原数组的0轴和2轴。

#对原始three数组的下标写出来，如下：
A=[[ [ (0,0,0) , (0,0,1) , (0,0,2)],[ (0,1,0) , (0,1,1) , (0,1,2)],[ (0,2,0) , (0,2,1) , (0,2,2)]],[[ (1,0,0) , (1,0,1) , (1,0,2)],[ (1,1,0) , (1,1,1) , (1,1,2)],[ (1,2,0) , (1,2,1) , (1,2,2)]]]#接着把上述每个三元组的第一个数和第三个数进行交换，得到以下的数组B=[[[ (0,0,0) , (1,0,0) , (2,0,0)],[ (0,1,0) , (1,1,0) , (2,1,0)],[ (0,2,0) , (1,2,0) , (2,2,0)]],[[ (0,0,1) , (1,0,1) , (2,0,1)],[ (0,1,1) , (1,1,1) , (2,1,1)],[ (0,2,1) , (1,2,1) , (2,2,1)]]]#最后在原数组中把B对应的下标的元素，写到相应的位置
#对比看一下，这是原数组
[[[ 0,  1,  2],[ 3,  4,  5],[ 6,  7,  8]],[[ 9, 10, 11],[12, 13, 14],[15, 16, 17]]]
# 按照B的映射关系得到最终的数组。
C=[[[ 0,  9],[ 3,  12],[ 6,  15]],[[ 1, 10],[4, 13],[7, 16]][[ 2, 11],[5, 14],[8, 17]]
]
# 最终的结果也就是数组C

那么我们知道了旋转的矩阵结果，那么在深度学习中为什么要这么旋转图片矩阵，以及这样做的意义及效果又是什么，我们可以继续往下探讨。
在mnist数据集中，挑出一张照片进行不同的transpose变换，观察得到的图片的形状。
下面举一个例子，数据集为4张图片：

四张图片分别代表“0”、“0”、“4”、“8”
处理的代码为：

import numpy as np
from PIL import Image
import os
data = np.empty((4, 20, 20), dtype="uint8")
imgs = os.listdir("E:\Kerasmnist/train\some")
num = len(imgs)
for i in range(num):img = Image.open("E:\Kerasmnist/train\some/" + imgs[i])img.show()arr = np.asarray(img, dtype="uint8")data[i, :, :] = arrconvert=data.transpose(2,1,0)for k in range(len(convert[0])):img2=Image.fromarray(convert[k])img2.show()

目前没发现有什么奇妙之处，这个问题先放在这里，过些日子再继续探讨吧，See you

>>> arr = np.arange(16).reshape((2, 2, 4))
>>> arr
array([[[ 0,  1,  2,  3],[ 4,  5,  6,  7]],[[ 8,  9, 10, 11],[12, 13, 14, 15]]])
>>> arr.transpose((1,0,2))
array([[[ 0,  1,  2,  3],[ 8,  9, 10, 11]],[[ 4,  5,  6,  7],[12, 13, 14, 15]]])
>>> arr.transpose((0,2,1))
array([[[ 0,  4],[ 1,  5],[ 2,  6],[ 3,  7]],[[ 8, 12],[ 9, 13],[10, 14],[11, 15]]])
>>>  arr.transpose((1,2,0))File "<pyshell#23>", line 2arr.transpose((1,2,0))^
IndentationError: unexpected indent
>>> arr.transpose((1,2,0))
array([[[ 0,  8],[ 1,  9],[ 2, 10],[ 3, 11]],[[ 4, 12],[ 5, 13],[ 6, 14],[ 7, 15]]])
>>>