本文探讨了numpy以及基于numpy的数据格式中，如何理解不同于MATLAB的维度表示。在numpy中，没有MATLAB的分号概念，维度通过中括号层级表示，从外到内依次为更高维度。通过递归查看每个维度的element数量，可以理解数据的结构。对于tensor，所有并列维度内的元素数量必须一致，并且每个tensor都有shape属性用于检查。
受到之前MATLAB的矩阵输入格式的影响，一直没能很好的体会numpy和torch.tensor的维度表示方式。
在MATLAB中，可以通过分号或换行的形式表示不同的维度或方向。
但是在numpy以及基于numpy的众多数据格式中，是没有分号这一概念的。每一个维度方向必须用对应该维度方向的中括号[ ]括起来。
- 第零个维度方向囊括整体的数据分布，故该维度的中括号在最外边；
- 第一维度方向次之，该维度方向的中括号在次外边，以此类推。
继续理解：其实高维数据可以看成是广义低维数据，这点很重要。如果从第零个维度方向去看该数据有多少element，则我们要去看有多少个第一维度方向的并列元素个数，再往下的二维三维方向都是包含在第一维度方向中，从第一维度方向视角我们看不到。如果从第一维度方向的视角去看一维方向内部有多少element，就去数其内部有多少个第二维度方向的并列的元素个数，以此类推。其实这种查看方式本质上就是递归。可以一直查看到什么什么程度呢？查看到其内部的element是scalar，我们知道，scalar的shape是0，向量的shape是(1, )
通常查看每一个tensor的shape或size是个什么规格的，可以利用上述的描述来检查核对 (shape是每一个tensor都有的属性)。
#这里我们用numpy来举例，numpy在这方面其实和torch.tensor是一致的
import numpy as
最低0.47元/天 解锁文章
2842
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
