python中shape用法

一维矩阵

二维矩阵

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（1，2），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）。

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。