关于np.newaxis以及数据维度的一点理解

关于np.newaxis

经常在程序中看到np.newaxis,这里记录一下我的理解:

np.arange(0, 10)

这句话 生成的是一个一维的数组,如下:

[0 1 2 3 4 5 6 7 8 9]

其shape为(10,)
那么我如何才能将其转化为shape=(1,10)呢?

有两种方法:
1.使用shape:

y=np.arange(0, 10)
y.shape=(10,1)
print(y)
  1. 使用np.newaxis
print(np.arange(0, 10)[:, np.newaxis])

输出结果一样:

[[0]
 [1]
 [2]
 [3]
 [4]
 [5]
 [6]
 [7]
 [8]
 [9]]

np.newaxis的作用就是在这一位置增加一个维度,这一位置指的是np.newaxis所在的位置:
例1:

x1 = np.array([1, 2, 3, 4, 5])
# the shape of x1 is (5,)
x1_new = x1[:, np.newaxis]
# now, the shape of x1_new is (5, 1)
# array([[1],
#        [2],
#        [3],
#        [4],
#        [5]])
x1_new = x1[np.newaxis,:]
# now, the shape of x1_new is (1, 5)
# array([[1, 2, 3, 4, 5]])

例2:

In [1]: arr = np.arange(5*5).reshape(5,5)

In [2]: arr.shape
Out[2]: (5, 5)

# promoting 2D array to a 5D array
In [3]: arr_5D = arr[np.newaxis, ..., np.newaxis, np.newaxis]

In [4]: arr_5D.shape
Out[5]: (1, 5, 5, 1, 1)

数据维度
对于数据的维度,用一个例子理解,在RNN中往LSTM隐层传递数据时,数据的shape通常会是(batch_size, time_steps, inputs),拿MNIST手写数字数据集来说:
6万张训练图片和1万张测试图片,每张图片都是28*28大小;
为了计算的速度,用到batch_size=100分批次传入,做参数回归训练,更新参数;
将每一张图片看成28个序列,每一次输入28个数据,因此在传入隐层是数据要reshape成(batch_size, time_steps, inputs)的形状;
综上:我的理解是在传入数据时,每一先传入一个28的数据的inputs,一张图片28个时序,一个batch100张图片,按照数据形状[a, b, c, d…],由后向前的先后按批传入。

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值