在處理影象資料的時候總會遇到輸入影象的維數不符合的情況，此時tensorflow中reshape()就很好的解決了這個問題。
更為詳細的可以參考官方文件說明：
numpy.reshape

reshape()的括號中所包含的引數有哪些呢？常見的寫法有tf.reshape((28,28)):

tf.reshape(tensor,shape,name=None)

函式的作用是將tensor變換為引數shape形式，其中的shape為一個列表形式，特殊的是列表可以實現逆序的遍歷，即list(-1).-1所代表的含義是我們不用親自去指定這一維的大小，函式會自動進行計算，但是列表中只能存在一個-1。（如果存在多個-1，就是一個存在多解的方程）
下面就說一下reshape是如何進行矩陣的變換的，其簡單的流程就是：
將矩陣t變換為一維矩陣，然後再對矩陣的形式進行更改就好了，具體的流程如下：

reshape(t,shape) =>reshape(t,[-1]) =>reshape(t,shape)

實際操作中，有如下效果：我建立了一個一維的陣列

>>>import numpy as np
>>>a= np.array([1,2,3,4,5,6,7,8])
>>>a
array([1,2,3,4,5,6,7,8])
>>>

使用reshape()方法來更改陣列的形狀，使得陣列成為一個二維的陣列：（陣列中元素的個數是2×4=8）

>>>d = a.reshape((2,4))
>>>d
array([[1, 2, 3, 4],
       [5, 6, 7, 8]]
 
)

進一步提升，可以得到一個三維的陣列f:（注意陣列中元素的個數時2×2×2=8）

>>>f = a.reshape((2,2,2))
>>>f
array([[[1, 2],
        [3, 4]],

       [[5, 6],
        [7, 8]]])

注意：形狀發生變化的原則時陣列元素的個數是不能發生改變的，比如像下面這樣的寫法就會報錯：
（元素的個數是2×2=4，所以會報錯）

>>> e = a.shape((2,2))
Traceback (most recent call last):
  File "<stdin>"
 
, line 1, in <module>
TypeError: 'tuple' object is not callable

-1 的應用:-1 表示不知道該填什麼數字合適的情況下，可以選擇，由python通過a和其他的值3推測出來，比如，這裡的a 是二維的陣列，陣列中共有6個元素，當使用reshape()時，6/3=2，所以形成的是3行2列的二維陣列，可以看出，利用reshape進行陣列形狀的轉換時，一定要滿足（x,y）中x×y=陣列的個數。

>>>a = np.array([[1,2,3],[4,5,6]])
>>>np.reshape(a,(3,-1)) 
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> np.reshape(a,(1,-1))
array([[1, 2, 3, 4, 5, 6]])
>>> np.reshape(a,(6,-1))
array([[1],
       [2],
       [3],
       [4],
       [5],
       [6]])
>>> np.reshape(a,(-1,1))
array([[1],
       [2],
       [3],
       [4],
       [5],
       [6]])

下面是兩張2×3大小的圖片（不知道有幾張圖片可以用-1代替），如何把所有二維照片給轉換成一維的，請看以下三維的陣列：

>>>image = np.array([[[1,2,3], [4,5,6]], [[1,1,1], [1,1,1]]])
>>>image.shape
(2,2,3)
>>>image.reshape((-1,6))
array([[1, 2, 3, 4, 5, 6],
       [1, 1, 1, 1, 1, 1]])
>>> a = image.reshape((-1,6))
>>> a.reshape((-1,12))
array([[1, 2, 3, 4, 5, 6, 1, 1, 1, 1, 1, 1]])
a.reshape((12,-1))
array([[1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [1],
       [1],
       [1],
       [1],
       [1],
       [1]])
>>> a.reshape([-1])
array([1, 2, 3, 4, 5, 6, 1, 1, 1, 1, 1, 1])

通過reshape生成的新的形狀的陣列和原始陣列共用一個記憶體，所以一旦更改一個數組的元素，另一個數組也將會發生改變。

>>>a[1] = 100
>>>a
array([  1, 100,   3,   4,   5,   6,   7,   8])
>>> d
array([[  1, 100,   3,   4],
       [  5,   6,   7,   8]])

最後再給大家呈現一下官方給出的例子：

# tensor 't' is [1, 2, 3, 4, 5, 6, 7, 8, 9]
# tensor 't' has shape [9]
reshape(t, [3, 3]) ==> [[1, 2, 3],
                        [4, 5, 6],
                        [7, 8, 9]]

# tensor 't' is [[[1, 1], [2, 2]],
#                [[3, 3], [4, 4]]]
# tensor 't' has shape [2, 2, 2]
reshape(t, [2, 4]) ==> [[1, 1, 2, 2],
                        [3, 3, 4, 4]]

# tensor 't' is [[[1, 1, 1],
#                 [2, 2, 2]],
#                [[3, 3, 3],
#                 [4, 4, 4]],
#                [[5, 5, 5],
#                 [6, 6, 6]]]
# tensor 't' has shape [3, 2, 3]
# pass '[-1]' to flatten 't'
reshape(t, [-1]) ==> [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6, 6, 6]

# -1 can also be used to infer the shape

# -1 is inferred to be 9:
reshape(t, [2, -1]) ==> [[1, 1, 1, 2, 2, 2, 3, 3, 3],
                         [4, 4, 4, 5, 5, 5, 6, 6, 6]]
# -1 is inferred to be 2:
reshape(t, [-1, 9]) ==> [[1, 1, 1, 2, 2, 2, 3, 3, 3],
                         [4, 4, 4, 5, 5, 5, 6, 6, 6]]
# -1 is inferred to be 3:
reshape(t, [ 2, -1, 3]) ==> [[[1, 1, 1],
                              [2, 2, 2],
                              [3, 3, 3]],
                             [[4, 4, 4],
                              [5, 5, 5],
                              [6, 6, 6]]]

# tensor 't' is [7]
# shape `[]` reshapes to a scalar
reshape(t, []) ==> 7