np.expand_dims()解析

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：

1. 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)

2. 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： [[[[…]]]]。

   1. 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 。

   2. 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。

   3. 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。

   4. 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。