一个tensor有shape和ndim的概念，shape也就是[b,28,28,1],每个代表一个轴，我们把第一个轴理解为batch，第二个轴理解为height，第三个轴理解为width，第四个轴理解为channel。我们把这个原始的数据成为content
维度变化也就是reshape，可以增加一个维度、减少一个维度以及对维度先后顺序进行变化
常见的View(对数据的理解方式)有几种
- [b, 28, 28] b张图片，每张28行 每行28列
- [b, 28 * 28] b张图片，把每张图片看成一个整体，而不去关注图片二维信息而是只将其作为数据
- [b, 2, 14*28] b张图片，把图片分为上下两个图片的理解方式
- [b, 28, 28, 1] b张图片，每张28行 每行28列 并增加了一个channel
所以Reshape的理解就是不改变数据的内容，但是改变数据的理解方式，即对矩阵进行相应的变换
Reshpe
- 如果不想去计算的话可以使用-1进行自动计算来替代28*28，会自动进行合并，注意只能有一个-1，否则无法计算
- 要保证现在的size等于原来的size就可以了，理论上可以产生很多种组合方式，我们根据自己的理解方式来赋予reshape后的矩阵有具体的含义
如果reshape之后需要恢复，那么就需要保留reshape之前的信息才能够[4, 784, 3] => [4, 28 28, 3]，但是w和h有可能是反的，或者记错了之后变成了[4, 14, 46, 3]，这一点要注意
tf.transpose
原本是矩阵的转置，在tensorflow中会理解成一个轴的交换，很多的时候我们会先交换再reshape
- 如果直接传入矩阵，那么就和转置一致
- 如果传入perm=[num1,num2,num3]，那么这里的num就是之前的维度，这样维度之间就可以进行交换了
减少或增加expand_dim维度
应用：增加一个学校的维度
- 如果设置的轴是负数的话就是从后往前增加维度，-1就是最后的一个轴
减少的时候只能是shape=1的维度，因为只有一个的时候才可以去掉
