精华内容
下载资源
问答
  • shape值(2,),意思是一维数组,数组中有2个元素。 a = np.array([1,2]) a.shape 输出为(2,)。 **注意:**从行列的角度看,这个一维向量既可以是行,也可以是列。比如 W.shape = (2, 4), x.shape = (2, ) np.dot(W.T...

    shape值(2,),意思是一维数组,数组中有2个元素

    a = np.array([1,2])
    a.shape
    

    输出为(2,)。
    **注意:**从行列的角度看,这个一维向量既可以是行,也可以是列。比如 W.shape = (2, 4), x.shape = (2, ) np.dot(W.T, x):此时x是列向量, np.dot(x, W) 此时 x 是行向量,两种情况下返回的也均是一维向量,无所谓行列的概念。

    shape值是(2,1),意思是一个二维数组,每行有1个元素

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

    输出为(2,3)

    shape值是(1,2),意思是一个二维数组,每行有2个元素

    a = np.array([[1,2]])
    a.shape
    

    输出为(1,2)

    展开全文
  • pythonshape用法

    2021-04-12 14:52:58
    更详细讲解:Python里对于shape()的理解 Python里对于shape()的理解 (1)shape()含义 在笔者debug深度学习相关代码的时候,很容易出现shape()这样形式的东西,用来告知输出数据的形式,由于shape()里出现的数字...

    一维矩阵

    在这里插入图片描述

    二维矩阵

    在这里插入图片描述
    更详细讲解:Python里对于shape()的理解

    Python里对于shape()的理解

    (1)shape()含义

    在笔者debug深度学习相关代码的时候,很容易出现shape()这样形式的东西,用来告知输出数据的形式,由于shape()里出现的数字数量不同,还经常有shape(?,64,512)这样的数据存在,因此上网查了一些信息,作出比较通俗易懂的解释:

    import numpy as np
    a = np.array([[[1,2,3],[4,5,6]]])
    print(a.shape)
    (1, 2, 3)
    

    表示该数组有1个,是2行3列的数组。每一个shape里的数字对应数组中的一对中括号,第一个数字1表示最外层的中括号。以此类推,数字2表示第二层中括号,数字3表示最里层的中括号。如果定义array时去掉了最外层的括号那么输出的shape为(2, 3)。

    (2)区分一维数组和二维数组

    有几个中括号就为几维数组,即shape后的结果中就有几个数。
    因此在上文中,有三对中括号,是3维数组,shape()中有3个数。

    a = np.array([1,2])     #a.shape值(2,),意思是一维数组,数组中有2个元素。
    b = np.array([[1],[2]]) #b.shape值是(2,1),意思是一个二维数组,每行有1个元素。
    c = np.array([[1,2]])   #c.shape值是(12),意思是一个二维数组,每行有2个元素。
    

    (3)shape()中“?”的含义

    而在debug相关程序时,可能会出现shape(?,2,3)这便代表数组每一个都是2行3列的,前面这个“?”便代表批处理个数,若为1则有1个,为2则有两个,但是在debug的时候不知道有几个,所以以“?”的形式显示。

    (4)shape()中有四个数,第一个数表示时间序列(批处理数)

    from keras.models import Input,Model
    from keras.layers import Dense,Conv2D,TimeDistributed
    
    input_ = Input(shape=(12,32,32,3))
    out = TimeDistributed(Conv2D(filters=32,kernel_size=(3,3),padding='same'))(input_)
    model = Model(inputs=input_,outputs=out)
    model.summary()
    

    而这里,shape()中有四个数。第一个12代表就是时间序列,32,32,3指的是高,宽,通道数。卷积操作使用TimeDistributed就相当与这12个时间序列共享一个卷积层参数信息,无论时间序列值为多少,参数总量还是一定的。此处一共有896个参数,卷积核weights有3×3×3×32=864个,卷积核bias有32个。

    附TimeDistributed解释

    关于TimeDistributed有一个比较通俗的示例解释:
    考虑一批32个样本,其中每个样本是一个由16个维度组成的10个向量的序列。该层的批输入形状然后(32, 10, 16)。

    可以这么理解,输入数据是一个特征方程,X1+X2+…+X10=Y,从矩阵的角度看,拿出未知数,就是10个向量,每个向量有16个维度,这16个维度是评价Y的16个特征方向。

    TimeDistributed层的作用就是把Dense层应用到这10个具体的向量上,对每一个向量进行了一个Dense操作,假设是下面这段代码:

    model = Sequential()model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))
    

    输出还是10个向量,但是输出的维度由16变成了8,也就是(32,10,8)。
    在这里插入图片描述
    TimeDistributed层给予了模型一种一对多,多对多的能力,增加了模型的维度。

    展开全文
  • Python里对于shape()的理解 (1)shape()含义 在笔者debug深度学习相关代码的时候,很容易出现shape()这样形式的东西,用来告知输出数据的形式,由于shape()里出现的数字数量不同,还经常有shape(?,64,512)...

    Python里对于shape()的理解

    (1)shape()含义

    在笔者debug深度学习相关代码的时候,很容易出现shape()这样形式的东西,用来告知输出数据的形式,由于shape()里出现的数字数量不同,还经常有shape(?,64,512)这样的数据存在,因此上网查了一些信息,作出比较通俗易懂的解释:

    import numpy as np
    
    a = np.array([[[1,2,3],[4,5,6]]])
    print(a.shape)
    (1, 2, 3)
    

    表示该数组有1个,是2行3列的数组。每一个shape里的数字对应数组中的一对中括号,第一个数字1表示最外层的中括号。以此类推,数字2表示第二层中括号,数字3表示最里层的中括号。如果定义array时去掉了最外层的括号那么输出的shape为(2, 3)。

    (2)区分一维数组和二维数组

    有几个中括号就为几维数组
    因此在上文中,有三对中括号,是3维数组,shape()中有3个数。

    a = np.array([1,2])     #a.shape值(2,),意思是一维数组,数组中有2个元素。
    b = np.array([[1],[2]]) #b.shape值是(2,1),意思是一个二维数组,每行有1个元素。
    c = np.array([[1,2]])   #c.shape值是(12),意思是一个二维数组,每行有2个元素。
    

    (3)shape()中“?”的含义

    而在debug相关程序时,可能会出现shape(?,2,3)这便代表数组每一个都是2行3列的,前面这个“?”便代表批处理个数,若为1则有1个,为2则有两个,但是在debug的时候不知道有几个,所以以“?”的形式显示。

    (4)shape()中有四个数,第一个数表示时间序列(批处理数)

    from keras.models import Input,Model
    from keras.layers import Dense,Conv2D,TimeDistributed
    
    input_ = Input(shape=(12,32,32,3))
    out = TimeDistributed(Conv2D(filters=32,kernel_size=(3,3),padding='same'))(input_)
    model = Model(inputs=input_,outputs=out)
    model.summary()
    

    而这里,shape()中有四个数。第一个12代表就是时间序列,32,32,3指的是高,宽,通道数。卷积操作使用TimeDistributed就相当与这12个时间序列共享一个卷积层参数信息,无论时间序列值为多少,参数总量还是一定的。此处一共有896个参数,卷积核weights有3×3×3×32=864个,卷积核bias有32个。

    附TimeDistributed解释

    关于TimeDistributed有一个比较通俗的示例解释:
    考虑一批32个样本,其中每个样本是一个由16个维度组成的10个向量的序列。该层的批输入形状然后(32, 10, 16)。

    可以这么理解,输入数据是一个特征方程,X1+X2+…+X10=Y,从矩阵的角度看,拿出未知数,就是10个向量,每个向量有16个维度,这16个维度是评价Y的16个特征方向。

    TimeDistributed层的作用就是把Dense层应用到这10个具体的向量上,对每一个向量进行了一个Dense操作,假设是下面这段代码:

    model = Sequential()model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))

    输出还是10个向量,但是输出的维度由16变成了8,也就是(32,10,8)。
    在这里插入图片描述

    TimeDistributed层给予了模型一种一对多,多对多的能力,增加了模型的维度。

    展开全文
  • pythonshape用法详解

    万次阅读 多人点赞 2018-01-23 11:56:35
    X -- python numpy array of shape (m, n_H, n_W, n_C) representing a batch of m images pad -- integer, amount of padding around each image on vertical and horizontal dimensions Returns: X_pad -- ...
    一   np.array
    np.array()创建时需要几个维度就要用几个[ ]括起来,这种创建方式要给定数据;

    二   np.ones
     

    然后print m[1,:,:,:],:代表默认值(就是一开始你输入时指定的值),这句代码相当于输出2个包中的第1个包(从0开始计数),这个包里面有3个小包,小包里面是2*3的二维数组,所以结果就是上面的~
    然后print m[:,1,:,:],相当于输出2个大包,每个大包输出第1个二包取出来
    然后print m[:,:,1,:],相当于输出2个大包,每个大包输出3个二包,二包里面第一个三包取出来
    然后print m[:,:,:,1],相当于输出2个大包,每个大包输出3个二包,二包里面取三包的第一个数,组成1*2数组


    三 np.random.randn
    def zero_pad(X, pad):
        """
        Pad with zeros all images of the dataset X. The padding is applied to the height and width of an image, 
        as illustrated in Figure 1.
    
        Argument:
        X -- python numpy array of shape (m, n_H, n_W, n_C) representing a batch of m images
        pad -- integer, amount of padding around each image on vertical and horizontal dimensions
    
        Returns:
        X_pad -- padded image of shape (m, n_H + 2*pad, n_W + 2*pad, n_C)
        """
    
        ### START CODE HERE ### (≈ 1 line)
        X_pad = np.pad(X, ((0,0), (pad,pad), (pad,pad), (0,0)), 'constant')
        ### END CODE HERE ###
    
        return X_pad
    x=np.random.randn(4,3,3,2)
    print ("x",x)
    x_pad = zero_pad(x, 2)
    print (x_pad)
    x [[[[  6.23362177e-01  -4.34956683e-01]
       [  1.40754000e+00   1.29101580e-01]
       [  1.61694960e+00   5.02740882e-01]]
    
      [[  1.55880554e+00   1.09402696e-01]
       [ -1.21974440e+00   2.44936865e+00]
       [ -5.45774168e-01  -1.98837863e-01]]
    
      [[ -7.00398505e-01  -2.03394449e-01]
       [  2.42669441e-01   2.01830179e-01]
       [  6.61020288e-01   1.79215821e+00]]]
    
    
     [[[ -1.20464572e-01  -1.23312074e+00]
       [ -1.18231813e+00  -6.65754518e-01]
       [ -1.67419581e+00   8.25029824e-01]]
    
      [[ -4.98213564e-01  -3.10984978e-01]
       [ -1.89148284e-03  -1.39662042e+00]
       [ -8.61316361e-01   6.74711526e-01]]
    
      [[  6.18539131e-01  -4.43171931e-01]
       [  1.81053491e+00  -1.30572692e+00]
       [ -3.44987210e-01  -2.30839743e-01]]]
    
    
     [[[ -2.79308500e+00   1.93752881e+00]
       [  3.66332015e-01  -1.04458938e+00]
       [  2.05117344e+00   5.85662000e-01]]
    
      [[  4.29526140e-01  -6.06998398e-01]
       [  1.06222724e-01  -1.52568032e+00]
       [  7.95026094e-01  -3.74438319e-01]]
    
      [[  1.34048197e-01   1.20205486e+00]
       [  2.84748111e-01   2.62467445e-01]
       [  2.76499305e-01  -7.33271604e-01]]]
    
    
     [[[  8.36004719e-01   1.54335911e+00]
       [  7.58805660e-01   8.84908814e-01]
       [ -8.77281519e-01  -8.67787223e-01]]
    
      [[ -1.44087602e+00   1.23225307e+00]
       [ -2.54179868e-01   1.39984394e+00]
       [ -7.81911683e-01  -4.37508983e-01]]
    
      [[  9.54250872e-02   9.21450069e-01]
       [  6.07501958e-02   2.11124755e-01]
       [  1.65275673e-02   1.77187720e-01]]]]
    [[[[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  6.23362177e-01  -4.34956683e-01]
       [  1.40754000e+00   1.29101580e-01]
       [  1.61694960e+00   5.02740882e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  1.55880554e+00   1.09402696e-01]
       [ -1.21974440e+00   2.44936865e+00]
       [ -5.45774168e-01  -1.98837863e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [ -7.00398505e-01  -2.03394449e-01]
       [  2.42669441e-01   2.01830179e-01]
       [  6.61020288e-01   1.79215821e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]]
    
    
     [[[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [ -1.20464572e-01  -1.23312074e+00]
       [ -1.18231813e+00  -6.65754518e-01]
       [ -1.67419581e+00   8.25029824e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [ -4.98213564e-01  -3.10984978e-01]
       [ -1.89148284e-03  -1.39662042e+00]
       [ -8.61316361e-01   6.74711526e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  6.18539131e-01  -4.43171931e-01]
       [  1.81053491e+00  -1.30572692e+00]
       [ -3.44987210e-01  -2.30839743e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]]
    
    
     [[[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [ -2.79308500e+00   1.93752881e+00]
       [  3.66332015e-01  -1.04458938e+00]
       [  2.05117344e+00   5.85662000e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  4.29526140e-01  -6.06998398e-01]
       [  1.06222724e-01  -1.52568032e+00]
       [  7.95026094e-01  -3.74438319e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  1.34048197e-01   1.20205486e+00]
       [  2.84748111e-01   2.62467445e-01]
       [  2.76499305e-01  -7.33271604e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]]
    
    
     [[[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  8.36004719e-01   1.54335911e+00]
       [  7.58805660e-01   8.84908814e-01]
       [ -8.77281519e-01  -8.67787223e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [ -1.44087602e+00   1.23225307e+00]
       [ -2.54179868e-01   1.39984394e+00]
       [ -7.81911683e-01  -4.37508983e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  9.54250872e-02   9.21450069e-01]
       [  6.07501958e-02   2.11124755e-01]
       [  1.65275673e-02   1.77187720e-01]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]
    
      [[  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]
       [  0.00000000e+00   0.00000000e+00]]]]
    
    print (x[1,1])#同print(x([1,1,:,:]))
    print (x_pad[1,1])#同print(x_pad([1,1,:,:]))
    [[ 2.19069973 -1.89636092]
     [-0.64691669  0.90148689]
     [ 2.52832571 -0.24863478]]
    [[[[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.52946532  0.13770121]
       [ 0.07782113  0.61838026]
       [ 0.23249456  0.68255141]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [-0.31011677 -2.43483776]
       [ 1.0388246   2.18697965]
       [ 0.44136444 -0.10015523]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [-0.13644474 -0.11905419]
       [ 0.01740941 -1.12201873]
       [-0.51709446 -0.99702683]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]]
    
    
     [[[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.24879916 -0.29664115]
       [ 0.49521132 -0.17470316]
       [ 0.98633519  0.2135339 ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 2.19069973 -1.89636092]
       [-0.64691669  0.90148689]
       [ 2.52832571 -0.24863478]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.04366899 -0.22631424]
       [ 1.33145711 -0.28730786]
       [ 0.68006984 -0.3198016 ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]]
    
    
     [[[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [-1.27255876  0.31354772]
       [ 0.50318481  1.29322588]
       [-0.11044703 -0.61736206]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.5627611   0.24073709]
       [ 0.28066508 -0.0731127 ]
       [ 1.16033857  0.36949272]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 1.90465871  1.1110567 ]
       [ 0.6590498  -1.62743834]
       [ 0.60231928  0.4202822 ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]]
    
    
     [[[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.81095167  1.04444209]
       [-0.40087819  0.82400562]
       [-0.56230543  1.95487808]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [-1.33195167 -1.76068856]
       [-1.65072127 -0.89055558]
       [-1.1191154   1.9560789 ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [-0.3264995  -1.34267579]
       [ 1.11438298 -0.58652394]
       [-1.23685338  0.87583893]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]
    
      [[ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]
       [ 0.          0.        ]]]]
    x=np.random.randn(4,3,3,2)
    print (x[0,:,:,0])#取第0个大包里面三个二包里面三个三包里面第0个数据排成1*3数组
    x [[[[ 1.62434536 -0.61175641]
       [-0.52817175 -1.07296862]
       [ 0.86540763 -2.3015387 ]]
    
      [[ 1.74481176 -0.7612069 ]
       [ 0.3190391  -0.24937038]
       [ 1.46210794 -2.06014071]]
    
      [[-0.3224172  -0.38405435]
       [ 1.13376944 -1.09989127]
       [-0.17242821 -0.87785842]]]
    
    
     [[[ 0.04221375  0.58281521]
       [-1.10061918  1.14472371]
       [ 0.90159072  0.50249434]]
    
      [[ 0.90085595 -0.68372786]
       [-0.12289023 -0.93576943]
       [-0.26788808  0.53035547]]
    
      [[-0.69166075 -0.39675353]
       [-0.6871727  -0.84520564]
       [-0.67124613 -0.0126646 ]]]
    
    
     [[[-1.11731035  0.2344157 ]
       [ 1.65980218  0.74204416]
       [-0.19183555 -0.88762896]]
    
      [[-0.74715829  1.6924546 ]
       [ 0.05080775 -0.63699565]
       [ 0.19091548  2.10025514]]
    
      [[ 0.12015895  0.61720311]
       [ 0.30017032 -0.35224985]
       [-1.1425182  -0.34934272]]]
    
    
     [[[-0.20889423  0.58662319]
       [ 0.83898341  0.93110208]
       [ 0.28558733  0.88514116]]
    
      [[-0.75439794  1.25286816]
       [ 0.51292982 -0.29809284]
       [ 0.48851815 -0.07557171]]
    
      [[ 1.13162939  1.51981682]
       [ 2.18557541 -1.39649634]
       [-1.44411381 -0.50446586]]]]
    [[ 1.62434536 -0.52817175  0.86540763]
     [ 1.74481176  0.3190391   1.46210794]
     [-0.3224172   1.13376944 -0.17242821]]
    






    展开全文
  • 1. 先看几个例子:很容易可以看的出来,外面的方括号里面的内容的个数表示行数,里面的方括号里面的内容的个数表示列数。
  • python里np.array 的shape (n,)是一维数组,里面有n个元素 shape(n,1)是二维数组,n行1列
  • python np.array 的shape ( ,)与( ,1)的区别

    万次阅读 多人点赞 2017-11-27 17:00:12
    >>> import numpy as np >>> x = np.array([1, 2]) >>> y = np.array([[1],[2]]) >>> z = np.array([[1,2]]) >>> print(x.shape) (2,) >>> print(y.shape) ...(1, 2)x[1,2]的shape值(2,),意思是一维数
  • numpy.ndarray.shape是返回一个数组维度的元组。 (2,)与(2,1)的区别如下: ndarray.shape:数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中,表示数组的“行数”和“列数”。 ndarray.shape...
  • Python中size和shape区别

    2021-01-22 14:53:37
    在numpy里面,两个是不相同的,size: 所有元素的个数和, shape: 数组类型大小(3,2) , 但在pytorch里面,两个是一样的,表达的都是数组类型 import torch import numpy as np a = np.array([[1,2,3], [4,5,6]])...
  • python里的数据维度

    2021-04-28 08:58:15
    1,python np.array 的shape ( ,)与( ,1)的区别 >>> import numpy as np >>> x = np.array([1, 2]) >>> y = np.array([[1],[2]]) >>> z = np.array([[1,2]]) >>>...
  • python中numpy中的shape和get_shape解析

    千次阅读 2019-06-15 20:02:00
    wordVectors.shape在这里返回的是矩阵或者数组的维数,例如返回结果是(400000,50),括号的第一个数为第一维,第二个数为第二维,以此类推。 int(value.get_shape()[0])在这里返回的是维度的个数 OK,先记到这里...
  • ndarray.shape:数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中,表示数组的“行数”和“列数”。 ndarray.shape返回一个元组,这个元组的长度就是维度的数目,即ndim属性。 一般情况下:...
  • GDAL-python库读写Esri Shape格式

    千次阅读 2010-05-24 14:52:00
    GDAL库分为OGR简单要素库和地理空间数据抽象库。前者负责读写矢量数据...完毕后在python commond输入:import from osgeo import gdal,若不报错,刚正确安装。支持格式shapefiles, personal geodatabases, ArcSDEMa
  • Numpy的shape返回数组的维度,如下图,在ipython里面实践: 由此可知:shape返回的是数组的维度,其实shape返回的是一个元组:如下: 转载于:https://www.cnblogs.com/xlqtlhx/p/8080114.html...
  • 定义一个多维列表a,其大小是 ,也就是说列表有3个元素,3个中每个元素又有2个元素,2个元素中每个又有2个元素........ 想获得列表a的shape不能用,因为列表没有shape方法 需要将列表转化为数组,数组有shape...
  • pytorch(python)中ndim与shape

    千次阅读 2020-01-01 10:38:48
    转载自:https://blog.csdn.net/weixin_34269583/article/details/93859740,本文只做个人记录学习使用,版权归原作者所有。 [[1.,0.,0.], [0.,1.,2.]] ...第二个维度长度为3,也就是每个子数组有3...
  • import rpy2.robjects as robjects df1.to_csv('df1.csv', encoding='utf-8',index=False) r_statement = "...shape'...为什么放到python里就不行了?</p>
  • Python numpy.ndim 和 numpy.shape

    万次阅读 2018-05-28 14:17:40
    感觉Python 中一些概念跟数学不是很一致,这里使用了dimension,后边的解释还出现了rank,在线性代数,我们理解这个 rank 是秩的意思吧,但是这里显然不是这样的,比如单位矩阵: data = [[1, 0, 0], [0, 1, ...
  • Python里面numpy库中zeros()的一些问题

    千次阅读 2019-02-25 22:03:52
    Python里面numpy库中zeros函数的一些问题定义 本文记录了在使用numpy库中的zeros函数时遇到的一些问题 定义 用法:zeros(shape, dtype=float, order=‘C’) 返回:返回来一个给定形状和类型的用0填充的数组; ...

空空如也

空空如也

1 2 3 4 5 ... 15
收藏数 296
精华内容 118
关键字:

python里shape

python 订阅