python reshape_python中np.reshape，np.transpose和axis

1.np.reshape，np.transpose和axis

在阅读YOLO V1代码过程中，出现了一段代码：

self.offset = np.transpose(np.reshape(np.array( #reshape之后再转置，变成7*7*2的三维数组
 [np.arange(self.cell_size)] * self.cell_size * self.boxes_per_cell),
 (self.boxes_per_cell, self.cell_size, self.cell_size)), (1, 2, 0))

其中的self.cell_size=7,self.boxes_per_cell=2,那么翻译一下，就是：

np.transpose(np.reshape(np.array([np.arange(7)] * 7 * 2),(2, 7, 7)), (1, 2, 0))

我们来逐一解读：

先从：np.array([np.arange(7)] * 7 * 2开始，这个简单，就是[array([0, 1, 2, 3, 4, 5, 6])*14:

就是：

[array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6]), array([0, 1, 2, 3, 4, 5, 6])]

共14个array([0, 1, 2, 3, 4, 5, 6])。

现在到np.reshape(np.array([np.arange(7)] * 7 * 2),(2, 7, 7))，就是将上述的14组array([0, 1, 2, 3, 4, 5, 6])转为shape(2,7,7)

这里我们插一句话：shape(2,7,7),就是说有三个维度，axis=0的维度为2，axis=1的维度为7，axis=2的维度为7。我们再拓展说明下：

什么是axis？

我们常说的数组的shape为（5，3），就是axis=0的维度为5，axis=1的维度为3，那么经常就有人理解为axis=0就是行的意思，axis=1就是列的意思，这么说，在更高维的数组中，经常会产生绕晕感。我们在二维数组中，这样定义是没错的，axis=0是按行延展，axis=1按列延展，如图1所示。

图1 二维数组的axis

但是在更高维的数组中，比如我们经常说的图片，或者是输入到卷积神经网络中的图片，shape=（batch_size,height,width,channels）,这里的batch_size是axis=0的维度，就是图片的张数，height是图片的高（axis=1），width是图片的宽（axis=2），channels是图片的通道数(axis=3),如此说明，我们看出，其实按照axis进行排序的话，axis里面的内容会越来越精细。

我们将np.reshape(np.array([np.arange(7)] * 7 * 2),(2, 7, 7))输入到python 的IDLE中，得到了图2

图2 reshape后的结果

我们根据shape为（2，7，7）可以看出，这个array有两个大的数组（从最外层的[ ]开始分解），其中大的数组如下：

[[0, 1, 2, 3, 4, 5, 6],
 [0, 1, 2, 3, 4, 5, 6],
 [0, 1, 2, 3, 4, 5, 6],
 [0, 1, 2, 3, 4, 5, 6],
 [0, 1, 2, 3, 4, 5, 6],
 [0, 1, 2, 3, 4, 5, 6],
 [0, 1, 2, 3, 4, 5, 6]]

这个大的数组的shape为（7，7），每行是[0, 1, 2, 3, 4, 5, 6]。所以随着axis增大，内容是原来越精细的。

最后一步，np.transpose(np.reshape(np.array([np.arange(7)] * 7 * 2),(2, 7, 7)), (1, 2, 0))，这个np.transpose是numpy中的一个转置函数，如果很多人和我一样，真的在脑子里尝试转置这个（2，7，7）数组（图2），然后将axis从（0，1，2）转到（1，2，0），估计很多人和我一样，脑子转不过来。

那么我们就换种方法，原来的shape是（2，7，7），按照（1，2，0）转置后的shape是（7，7，2），行呀，我们脑子里搭建一个shape=（7，7，2）的全零数组。然后嘞，我们简单点，比如图一中处坐标位置（1，3，4）的值为4，这个坐标位置（1，3，4）通过（1，2，0）的转置后的坐标位置为（3，4，1）的坐标就是4，我们不妨就将shape=（7，7，2）中坐标位置为（3，4，1）的0值替换成4。

不断迭代，这样就将图2中所有元素都映射到shape=（7，7，2）全零数组中了，

生成了我们需要的转置后的结果了（如图3），其实transpose就是通过坐标索引变换，将值从一个坐标索引到另一个坐标中罢了。

图3 transpose后的结果