看了网上一堆解释，有用相互交换来解释的，我看了半天也看不出所以然来。心想着自己试验一下。
numpy.transpose的用法很简单：假如你有一个四维的数组，那么四个维度就是0，1，2，3。风格会像下面这样：
>>>A = np.ones((1, 32, 30, 3))
>>>A.shape
(1, 30, 32, 3)
>>>A.transpose(0,3,1,2)
如你所见，transpose是ndarray的类方法，输入是四个维度的排列，那么这四个维度的排列一定蕴含着交换维度的“规则”。有两个可能（合理）的想法：
1. 以上面这个例子来说，0, 3, 1, 2分别是第 1, 2, 3, 4 个位置参数。那么transpose的作用就是将原本的第 1, 2, 3, 4维替换到所给的位置，即：原来的第0维调换到0号位置即第0维，原来的第1维调换到3号位置即第3维，所以结果应该是 shape_after = (1, 32, 3, 30)。但是事实并不是如此，why？这不，还有第二种可能的解释
2. 原来不是有四个维度吗，分别有标记，即0, 1, 2, 3维，那么我们对维度进行调换的过程不就是对这个标签排序的过程吗？那么(0,3,1,2)的意思就是以这样的顺序：第0维，第3维，第1维，第2维的顺序来组成一个新的数组，所以结果应该是 shape_after = (1, 3, 30, 32)。运行之后正好是这样~~
>>>A = np.ones((1, 32, 30, 3))
>>>A.shape
(1, 30, 32, 3)
>>>A.transpose(0,3,1,2).shape
(1, 3, 30, 32)
再举个栗子：
>>>A = np.array([[[1,2],[3,4]],[[4,5],[6,7]]])
>>>A
array([[[1, 2],
[3, 4]], [[4, 5],
[6, 7]]])
>>>A.transpose(0,2,1)
array([[[1, 3],
[2, 4]], [[4, 6],
[5, 7]]])
按上面的理论来解释，第一维不动，后两维交换。结果发现两个2×2的矩阵都被转置，而它们好好的并在一起。这不就是我们期待的效果吗？
总结一下：一个数组原先是有第0，1，2...维的。transpose做的事情就是让这些维度“排个序”，从而达到交换维度的目的。你可能会觉得它与reshape很像，但是其实区别蛮大。reshape是改变了numpy数组元素的“解释”方式，而transpose则显式修改了数据的相对位置，这也是为什么它的英文和“矩阵”转置是一样的原因。