np.array的shape问题

以这个代码为例

b=np.array([[[1,2],[3,4]],[[5,6],[7,8]]])
print(b.shape)
c=np.array([[[1],[2],[3]]])
print(c.shape)

1. 对于数组 b：

   b = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
   print(b.shape)
   

   形状是 (2, 2, 2)，表示它是一个三维数组，其中第一个维度有两个元素，第二个维度有两个元素，第三个维度也有两个元素。

2. 对于数组 c：

   c = np.array([[[1], [2], [3]]])
   print(c.shape)
   

   形状是 (1, 3, 1)，表示它也是一个三维数组，第一个维度有一个元素，第二个维度有三个元素，第三个维度有一个元素。

这些形状信息描述了数组的维度和每个维度中的元素数量。

在NumPy数组中，维度的定义是根据数组的嵌套层次来确定的。每个嵌套层次对应一个维度，并且维度的大小由数组在该维度上的元素数量来定义。

• 第一个维度是最外层的嵌套，它对应于数组的最外层包装。例如，对于数组 b，最外层有两个元素 [[1, 2], [3, 4]] 和 [[5, 6], [7, 8]]，因此第一个维度的大小是2。

• 第二个维度是在第一个维度内部的嵌套，它对应于数组的次级包装。在数组 b 中，每个次级包装都是一个2x2的矩阵，所以第二个维度的大小也是2。

• 第三个维度是在第二个维度内部的嵌套，对应于数组的最内层包装。在数组 b 中，每个最内层包装都包含两个元素，所以第三个维度的大小也是2。

对于数组 c，情况类似：

• 第一个维度是最外层的嵌套，有一个元素 [[1], [2], [3]]，所以第一个维度的大小是1。

• 第二个维度是在第一个维度内部的嵌套，有三个元素，因此第二个维度的大小是3。

• 第三个维度是在第二个维度内部的嵌套，每个最内层包装都包含一个元素，所以第三个维度的大小是1。

维度的定义和大小取决于数组的结构和嵌套方式，它们用于描述数组的形状和组织方式。