一文搞懂！Python中的shape[-1]、shape[0]、shape[1]、shape[2]是指什么？

初学深度学习，在很多代码中都能见到shape[0]，那么在python中，shape[-1]、shape[0]、shape[1]、shape[2]都是指什么呢？让本文来为你答疑解惑吧~

要谈python中的shape属性，必须要说Tensor：

Tensor 中文称为 张量（可以看做是一个多维数组），是 PyTorch 中最基本的数据类型。在数学中，标量是一个只有大小没有方向的量，如：1、2、3 等。向量是既有大小又有方向的量（一维数组），如 A = (x0, y0, z0)。矩阵是由多个向量组成的二维数组。

实际上，标量、向量和矩阵等都可以看做是张量的特例，标量是零维张量，向量是一维张量，矩阵是二维张量，图片（RGB）是三维张量。

其实，对于n维张量来说，shape[i]就是指它的第 i 维的大小（0 <= i <= n-1 ），而shape[-1]就是指它最后一维的大小。

因此，在深度学习过程中最常处理的矩阵、图片都可以转化为Tensor进行处理，并且使用shape属性获取它们相应维度的大小，请看下例：

一、向量

import torch

#定义向量
x = torch.tensor([2, 3, 4, 5])
#第0维度是向量的长度
print("我是向量的第0维度大小：", x.shape[0])
print("我是向量的最后一维度大小：", x.shape[-1])

• shape[0]反映第0维度的大小，是向量的长度

******输出******
我是向量的第0维度大小： 4
我是向量的最后一维度大小： 4

二、矩阵

#定义矩阵
y = torch.tensor([[2, 3, 4, 3, 6, 8],
                 [1, 8, 9, 5, 0, 1],
                 [2, 0, 2, 2, 7, 1]])
#第0维度是矩阵的行数
print("我是矩阵的第0维度大小：", y.shape[0])
#第1维度是矩阵的列数
print("我是矩阵的第1维度大小：", y.shape[1])
print("我是矩阵的最后一维度大小：", y.shape[-1])

• shape[0]反映第0维度的大小，是矩阵的行数
• shape[1]反映第1维度的大小，是矩阵的列数

******输出******
我是矩阵的第0维度大小： 3
我是矩阵的第1维度大小： 6
我是矩阵的最后一维度大小： 6

三、图片

#读取图片
import cv2

#修改为自己的图片地址
img = cv2.imread("C:/Users/86185/Desktop/1.png", 1)
#第0维度是图片的高度
print("我是图片的第0维度大小：", img.shape[0])
#第1维度是图片的宽度
print("我是图片的第1维度大小：", img.shape[1])
#第2维度是图片的通道数
print("我是图片的第2维度大小：", img.shape[2])
print("我是图片的最后一维度大小：", img.shape[-1])

• shape[0]反映第0维度的大小，是图片的高度
• shape[1]反映第1维度的大小，是图片的宽度
• shape[2]反映第2维度的大小，是图片的通道数

******输出******
我是图片的第0维度大小： 274
我是图片的第1维度大小： 1089
我是图片的第2维度大小： 1089
我是图片的最后一维度大小： 3

写在后面

这个专栏主要是我在实现深度学习项目中总结的一些问题，以备未来笔试和面试之需，不过由于学习的不深入，也只是走马观花，很多问题总结得也不是很透彻，望读者见谅，如果有错误和不足之处，还望大家在评论区指出。希望能给大家的学习带来一点帮助，共同进步！！!