numpy高级操作，求高维矩阵的距离矩阵（方阵）以及 求某一个维度的累加和 , 矩阵切片操作

例：我们有维度为[Batch_size，T，V，C] 的数据，想得到维度为[Batch_size，T，V，V]的数据：

方法：

def calculate_dis(x): #N,T,V,C
    #x = np.array(x)
    sum_x = np.sum(np.square(x),3,keepdims = True)#先求对应元素的平方，然后按列相加，得到(N，T，V，1)的矩阵
    #print(a.shape)
    dist = np.add(np.add(-2*np.matmul(x,x.swapaxes(2,3)),sum_x),sum_x.swapaxes(2,3))
    #np.matmull()函数可以求矩阵指定维度内积，这里x = np.add()函数是将sum_x的转置行向量依次加到前面的(N,T,V,V)向量的每一行上。
    #这里x，x.swapaxes维度分别为[N,T,V,C] 和 [N,T,C,V]
    return dist

这里我们主要用到：np.square(x)；

                                np.sum(x,dims,keepdims);

                                np.add(x,y) #将y转置加到x的每一行上，对y维度有要求

                                np.matmul(x,y) #求x,y内积

                                x.swapaxes(a,b) # 将x的a，b维度交换位置。

 

例：我们有维度为[Batch_size，T，V，C] 的数据，想沿T维度求相邻項的内积之和。

def attention_matrix(x,N,T,V,fps):
    dis_ = 0
    for k in range(T//fps + 1):
        #print(k)
        index_start = (k * fps if k is 0  else (k * fps - 1) ) 
        index_end = (k+1) * fps - 1
        if k == T//fps:
            dis_ += np.sum(np.square(x[:,index_start,:,:] - x[:,-1,:,:]),2) #[N,V]
        else:
            dis = np.sum(np.square(x[:,index_start,:,:] - x[:,index_end,:,:]),2)
            dis_ += dis
    attention_m = np.zeros([N,V,V])
    #将列向量扩展为对角线元素维向量元素的方阵
    for i in range (V):   
        attention_m[:,i,i] = dis[:,i]    
    
    return attention_m

这里我们主要搞清楚如何设置array的索引即可！！

注意：选取高维数据的某一维时应该用 ',  N  ,' 来操作：

例a 尺寸为 [100,25,7,7]

想依次获取第二维度所代表的所有数据[100,7,7]

就这样操作：

for i in range (25):

     b[i]  =  a[:,i,:,:]