在机器学习中经常会碰到各种图像数据集，有的是按照num*height*width*channel来存储的，而有的则是num*channel*height*width。然后每次碰到这种问题都会想半天该怎么相互变换。
也想过自己手敲代码实现，但是一方面速度肯定没别人的方法好，另一方面还不一定是对的233。其实numpy已经帮我们都弄好了，我们只要使用np.transpose方法即可。
例如输入数据是a.shape = 1000*32*32*3（num*height*width*channel）
我们只需要使用如下代码即可达到要求。
a = np.transpose(a, [0,3,1,2]) 2. np.concatenate((a1, a2, …), axis=0) 参数1：表示需要叠加的一组矩阵，可以是元组形式 (a1, a2, …)，也可以是列表形式[a1,a2,…]。另外，各个矩阵的维度必须保持一致！参数2：axis默认为0，当然也可以设置为其他的值。 3. np.newaxis这个可以用于扩展一个新的维度，例如假设我们的标签y.shape=(10,)，我们想把它变成**(10,1)**该怎么做？很简单：
y = y[:, np.newaxis] # 其实也可以这样y = np.reshape(y, [len(y),1])效果图如下：
现假设我们有一组二维图像数据集，其大小为3*2*2 (num*height*width)。我们现在想将这个二维数据集转化成3维的，而且最后维度顺序要是num*height*width*channel,我们应该咋办呢？
1. 扩展出一个新的维度用来表示channel新增加一个维度，建议先将channel增加在第二个维度，这样更好理解，而且数据不会被打乱。
最后来验证一下这一波操作是否正确：
可以看到是正确的！！！
5.整体演示代码 import numpy as npy=np.random.randn(10)y.shapey1=y[:,np.newaxis]y1.shapey2=np.reshape(y,[len(y),1])y2.shapea=np.random.random((3,2,2))b=a[:,np.newaxis,:,:]b[0,0,:,:]==a[0,:,:]b.shapec= np.concatenate([b,b,b],axis=1)c.shapec.shaped =np.transpose(c,[0,2,3,1])d.shaped[:,:,:,0]==a