numpy 矩阵切片操作解析

前提：

1 假设你已经清楚了python 的list切片操作（这里不过多介绍）。
2 假设你对tensor的维度有了很好的理解，如果没有可以看我之前的博文 tensor维度的理解

切片格式：list[start:stop:step]

直接例子演示：

#创建三维矩阵a 
a = np.arange(18).reshape(2,3,3)
print(a)

#输出a:(便于观察重新格式化了输出)
[
[ [ 0 1 2],
[ 3 4 5],
[ 6 7 8] ],

[ [ 9 10 11],
[12 13 14],
[15 16 17] ]
]

第0维： 两个3X3的2维矩阵的方向
第1维： 每个0维下三个3X1的一维矩阵的方向
第2维： 每个3X1矩阵内的三个数值的方向

如果理解了维度的概念，开始进入正题：

print(a[:,1:3,:])
#解析一下a[:,1:3,:]：
#对矩阵a的0维进行 [:] 切片即全部获取该维度
#对矩阵a的1维进行 [1:3] 切片即只从第一项开始获取，获取3-1项。
#对矩阵a的2维进行 [:] 切片即全部获取该维度

输出：
[[[ 3 4 5]
[ 6 7 8]]

[[12 13 14]
[15 16 17]]]

解析：
因为0维全部获取，所以两个3X3的矩阵都会拿到。一维获取的是下标为1的项和下标为3-1的项，注意0维下的两个矩阵都会进行此操作，所以两个3X3矩阵变成了2X3矩阵（被切片）。3维获取的是全部项，所以2X3矩阵下面的数值并没有被切掉。

尝试更复杂的操作：

print(a[0:1,1:3,1:2]) 

输出：
[[[4]
[7]]]

逐步分解：
1 第0维获第零项得到：
[[ [ 0 1 2]
[ 3 4 5]
[ 6 7 8] ]]
2 第1维获取第一和第二项得到：
[[[ 3 4 5]
[ 6 7 8] ]]]
3 第2维获取第一项得到：
[[[ 4 ]
[ 7 ] ]]]

(非常简单）

另一种切片格式：list[num]

看例子：

print(a[:,:,0])

此时第2维的切片是一个值不是[:]形式，表示获取该维度的第num项，这里表示获取第2维的第0项

输出：
[[ 0 3 6]
[ 9 12 15]]

输出的结果少了一个维度。变成了2维。对比第一种切片方式，同样获取第2维的第0项：

print(a[:,:,0:1])

输出：
[[[ 0]
[ 3]
[ 6]]

[[ 9]
[12]
[15]]]

结果依然是三维的。

结论： list[num]形式的切片会引发降维

切片的两个例子：

反转矩阵：

 print(a[::-1])   			# 反转第0维 实质是从后面复制第0维
 print(a[::-1, ::-1])		# 反转第0维和第1维 
 print(a[::-1, ::-1, ::-1])  # 反转第0,1,2维

切片赋值：

a[:,0,:] = -1
print(a) 

输出：
[
[[-1, -1, -1],
[3,4,5],
[6,7,8]],
[-1,-1,-1],
[12,13,14],
[15,16,17]]
]

(完）