Numpy.reshape函数解释

Numpy.reshape()与shape函数

  相关知识：tensorflow中利用张量来表示数据，张量是有阶数的，一阶张量就是一个一维向量，二阶张量是矩阵，关于张量的描述更多描述，参考http://blog.csdn.net/u013378306/article/details/56281549这篇博文。shape就是张量的形状，用数组表示，n阶张量对应一个n维的shape，每一阶的元素数目等于相应的维的大小。例如，张量

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

[[ 7  8]
[ 9 10]
[11 12]]]

的shape=(2,3,2).明白了这一点后，reshape()函数和shape[]函数就很好理解了：reshape()函数重新定义了原张量的阶数，shape函数就表示张量的形状。下面看具体用法：

1.Numpy.reshape()

  虽然官网上关于reshape函数的标准格式是numpy.reshape(a, newshape, order='C')，但其实这个函数有两种用法。先看代码：

import numpy as np

a=np.array([1,2,3,4,5,6,7,8,9,10,11,12])
b=np.reshape(a,(2,-1))
c=a.reshape(2,-1)
print 'b='
print b
print 'c='
print c

  结果：

b=
[[ 1  2  3  4  5  6]
[ 7  8  9 10 11 12]]
c=
[[ 1  2  3  4  5  6]
[ 7  8  9 10 11 12]]

  可以看到，对数组a进行变换可以用b=np.reshape()或者c=a.reshape()的方式。

2.函数内参数解释

  我们用第一种方式，即b=np.reshape()的方式。值得注意的是标准格式中numpy.reshape(a, newshape, order='C')中的newshape参数和order参数。

newshape参数：

  用法参见以下代码：

import numpy as np

a=np.array([1,2,3,4,5,6,7,8,9,10,11,12])
b=np.reshape(a,(2,-1))
c=np.reshape(a,(2,2,-1))
d=np.reshape(a,(2,3,-1))
print 'b='
print b
print 'c='
print c
print 'd='
print d

  输出：

b=
[[ 1  2  3  4  5  6]
[ 7  8  9 10 11 12]]
c=
[[[ 1  2  3]
[ 4  5  6]]

[[ 7  8  9]
[10 11 12]]]
d=
[[[ 1  2]
[ 3  4]
[ 5  6]]

[[ 7  8]
[ 9 10]
[11 12]]]

 newshape参数用数组表示，以c为例，数组(2,2,-1)就是c的形状，一共有三阶，第三个数字是reshape后数组a中最小单元中元素个数，在这里是3，如果是-1则表示可以自动推测出。

order参数

  是元素排列顺序的参数，一般不用。

2.shape函数

  下面代码展示了该函数的用法：
c=np.array([1,2,3,4,5,6,7,8,9,10,11,12])
c=c.reshape(2,3,2)
print c
print c.shape输出：

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

[[ 7  8]
[ 9 10]
[11 12]]]
(2, 3, 2)

 即得到张量的形状。