Python numpy shape为(x,) 和 shape为(x,1)的区别 |
您所在的位置：网站首页 › 一旦和一但有何区别 › Python numpy shape为(x,) 和 shape为(x,1)的区别 |
|
Python numpy shape为(x,) 和 shape为(x,1)的区别
笔者最近在用numpy进行ML的学习，numpy确实方便，但是如果不仔细的话，还是会栽不少跟头，所以笔者在这里记录下遇到过的坑，方便大家学习。 稍微一看，shape为(x,)和shape为(x,1)几乎一样，都是一维的形式。其实不然： (x,)意思是一维数组，数组中有2个元素(x,1)意思是一个x维数组，每行有1个元素这涉及到一个张量的概念，具体可以看：小昇的博客-Keras深度学习笔记(二)：神经网络的数学基础 这里举几个例子来说明不重视这个点的危害。 初始化 a = np.arange(3) print("a=" ,a.shape) b = np.arange(15).reshape(5,3) print("b=" ,b.shape)输出： a= (3,) b= (5, 3)可以看出，没有指明矩阵形式的时候，默认是一维数组。 相乘 c = np.dot(b,a) print("c=" ,c.shape)输出： c= (5,)矩阵乘法，因为a是一维的形式，所以b相乘之后，维数减少。 自身变化 c.reshape(c.shape[0],1) print("c=" ,c.shape) ff = c.reshape(c.shape[0],1) print("ff=" ,ff.shape)输出 c= (5,) ff= (5, 1)这里要注意的是，对自己reshape并不会改变自身的形式！只有赋值给其他变量才会看见效果。这很重要！ 相加 c = np.arange(5) print("c=" ,c.shape) d = np.arange(5).reshape(5,1) print("d=" ,d.shape) e = c + d print("c+d=" ,e.shape)输出： c= (5,) d= (5, 1) c+d= (5, 5)一开始以为c会作用于d上的每个数据，直接相加，最后结果还是(5,1)。但是没想到会变成(5,5)这是矩阵相加最需要注意的地方 正确相加 c = np.arange(5) print("c=" ,c.shape) ff = c.reshape(c.shape[0],1) print("ff=" ,ff.shape) d = np.arange(5).reshape(5,1) print("d=" ,d.shape) e = ff + d print("ff+d=" ,e.shape)输出： c= (5,) ff= (5, 1) d= (5, 1) ff+d= (5, 1)正如前面所说，需要先赋值给其他变量，然后再相加，此时才会得出正确结果。 小结：这个小细节曾连续困扰了我好几天，代码一直显示矩阵操作的维数不对，一点点调试才发现了这个问题。如果维数不对，那么结果也一定不对。希望和大家一起学习分享经验！ |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |