今天遇到expand_dims操作,顺便记录一下。
np.expand_dims(array, axis) :在array的axis轴处增加一个维度。
引用知乎一个答主的例子:
比如array的维度是(2,3)
axis = 0 时得到新的形状(1,2,3)
axis = 1 时得到新的形状(2,1,3)
axis = 2 时得到新的形状(2,3,1)
自己写两个例子吧:
-
一维增加:
a = np.array([1,2,3]) print(a) print(a.shape)
结果a是[1,2,3] 形状是(3,)
在0维处增加一个维度:b = np.expand_dims(a, axis = 0) print(b) print(b.shape)
根据上面的说明(3,)增加维度后就变成了(1,3),非常简单,关键问题在于形状变化后矩阵的数值该如何组织。
其实也很简单,增加之后是二维的,所以它一定是这个样的:[[…]] 。先不用管里面的元素怎么组织,有可能是 [[1],[2],[3]] 或是[[1,2,3]] 。那到底是哪一个呢?numpy是从最高维开始处理的,也就是说改变形状的时候先处理第一维度,第一维的值是3,就代表第一维有三个值,也就是[x,x,x]。所以改变形状后组织方式是第二种 [[1,2,3]] 。关于第0维度,都是一样的没有什么好比较,所以我们比较第一维就可以得到结果。输出结果:
[[1 2 3]]
(1, 3) -
三维增加:
直接跳到三维吧,二维懒得写了。
c = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]) print(c) d = np.expand_dims(c, axis = 3) print(d) print(d.shape)
c 的形状是(2,2,3) -----如果你还不能一眼看出它的形状那可以翻翻我之前的博客----在第三维度增加一维,那就是(2,2,3,1)。
按照上面的解析组织元素:
一样的因为是四维,所以肯定是: [[[[…]]]]。-
最高维第三维,值是1,说明最高维度每个括号内只有一个元素即:[1],[2],[3]…[12],现在知道每个数字都被一个括号包围,但是每个括号之间怎么组织,得看第二维,所以目前得到的样子只能是:[1], [2], [3], …[12] ,现在第三维有12个元素 。
-
接下来是第二维,值是3。说明第二维每个括号都有三个元素,安照这个规则去组织第一步得到的12个元素,所以得到:
[[1][2][3]]
[[4][5][6]]
[[7][8][9]]
[[10][11][12]]
第二维完成之后已经由[1], [2], [3], …[12] 的形式变成这样子了,现在第二维有四个元素。同理他们还需要再继续组织,现在只得到了两维,直到得到四维。 -
第一维,值是2。每个括号内有两个元素,同理去组织第二步得到的四个元素,得到:
[
[[1][2][3]]
[[4][5][6]]
][
[[7][8][9]]
[[10][11][12]]
]现在第一维只有两个元素了。
-
第零维,值是2,每个括号内有两个元素,正好上一步得到的结果就是两个元素,所以直接加一个括号就行。也就是说第零维其实是不用分析什么的,只要前面的操作正确,第零维直接加个括号就行。
[
[
[[1][2][3]]
[[4][5][6]]
][
[[7][8][9]]
[[10][11][12]]
]
]~这也许就是水到渠成吧!
到此分析完毕 已经得到了四个维度,是[[[[…]]]]的形状了。
看下输出吧:
(控制台是竖着放的~)
完结。 -