python中的reshape

小有改动,主要参考:
python：shape和reshape()函数
python中reshape

在numpy中，shape和reshape()函数的功能都是对于数组的形状进行操作。shape函数可以了解数组的结构,reshape()函数可以对数组的结构进行改变。

shape

import numpy as np
#设置一个数组
a = np.array([1,2,3,4,5,6,7,8])
print(a.shape)        '''结果：(8,)'''
print(type(a.shape))  '''结果：tuple'''
print(a.shape[0])     '''结果：8'''

b = np.array([[1,2],[2,3],[3,4]])
print(b.shape)       '''结果：(3, 2)'''
print(b.shape[0])    '''结果：3'''
print(b.shape[1])    '''结果：2'''

结论：我们可以通过shape函数得出数组的形状，得出的结果是一个tuple格式的数据，之后我们可以获取其中的数据。

reshape()

a = np.array([1,2,3,4,5,6,7,8])
print(a.reshape(2,4))
'''结果：array([[1, 2, 3, 4],
       [5, 6, 7, 8]])
'''
print(a.reshape(4,2))
'''结果：
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])
'''

结论：reshape()函数可以改变数组的形状，并且原始数据不发生变化。

但是，reshape()函数中的参数需要满足乘积等于数组中数据总数。
如：当我们将8个数使用(2,3)重新排列时，python会报错

而且，reshape()函数得出的数组与原数组使用的是同一个存储空间，改变一个，另一个也随之改变。

注意

shape和reshape()函数都是对于数组(array)进行操作的，对于list结构是不可以的

扩展,有关图像处理

比如

arr = [1,2,3,4,5,6,7,8,9] # 一个一维的list，长度为9

想把arr变成一个3*3的矩阵，这就可以用的reshape了，有两个方法，第一

arr.reshape(3,3)

这个很好理解，不多说，重点看第二个方法

arr.reshape(-1,3)

这样也可以把arr变成3*3的矩阵，这个-1代表的意思就是，我不知道可以分成多少行，但是我的需要是分成3列，多少行我不关心。

最后，看一个实际的例子，在这个数据集里面

from sklearn.datasets import load_digits # 一个图片的数据集

这个图像的表示方法是1797*64，表示1797张图片，每张图片用一行64个数表示，怎么把这一行的数据取出来呢？就是用的reshape这个函数

picture_data = data.reshape(-1,8,8,1)

-1表示不知道，两个8表示8行8列，1表示一维空间（彩色是在处理的时候是三维空间RGB），整短代码就是说，把179764这个矩阵，变换成88的不知道多少个的矩阵，这样后面就方便用CNN神经网络去处理了

在如何表示一组彩色图片的问题上，Theano和TensorFlow发生了分歧， '日’模式，也即Theano模式会把100张RGB三通道的16×32（高为16宽为32）彩色图表示为下面这种形式（100,3,16,32），Caffe采取的也是这种方式。第0个维度是样本维，代表样本的数目，第1个维度是通道维，代表颜色通道数。后面两个就是高和宽了。这种theano风格的数据组织方法，称为“channels_first”，即通道维靠前。

而TensorFlow，的表达形式是（100,16,32,3），即把通道维放在了最后，这种数据组织方式称为“channels_last”。

keras中添加卷积层时，可以指定deat_format格式：

model.add(Convolution2D(
    batch_input_shape=(None, 1, 28, 28),   #多少数据  通道数  宽  高
    filters=32,     #滤波器数量
    kernel_size=5,   #滤波器大小5x5
    strides=1,       #步长1
    padding='same',     # Padding method
    data_format='channels_first',
))