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)

2. 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。