我正在接受深度学习的Udacity课程,我遇到了以下代码:
def reformat(dataset, labels):
dataset = dataset.reshape((-1, image_size * image_size)).astype(np.float32)
# Map 0 to [1.0, 0.0, 0.0 ...], 1 to [0.0, 1.0, 0.0 ...]
labels = (np.arange(num_labels) == labels[:,None]).astype(np.float32)
return dataset, labels
labels[:,None]
实际上做了什么?
答案 0 :(得分:24)
http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html
numpy.newaxis
newaxis对象可用于所有切片操作,以创建长度为1的轴。 :const:newaxis是'None'的别名,'None'可以代替它使用相同的结果。
http://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.expand_dims.html
使用部分代码进行演示
In [154]: labels=np.array([1,3,5])
In [155]: labels[:,None]
Out[155]:
array([[1],
[3],
[5]])
In [157]: np.arange(8)==labels[:,None]
Out[157]:
array([[False, True, False, False, False, False, False, False],
[False, False, False, True, False, False, False, False],
[False, False, False, False, False, True, False, False]], dtype=bool)
In [158]: (np.arange(8)==labels[:,None]).astype(int)
Out[158]:
array([[0, 1, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 1, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 1, 0, 0]])
答案 1 :(得分:19)
None
是NP.newaxis的别名。它创建一个长度为1的轴。这对矩阵乘法等很有用。
>>>> import numpy as NP
>>>> a = NP.arange(1,5)
>>>> print a
[1 2 3 4]
>>>> print a.shape
(4,)
>>>> print a[:,None].shape
(4, 1)
>>>> print a[:,None]
[[1]
[2]
[3]
[4]]
答案 2 :(得分:3)
我在完成同样的Udacity课程后遇到完全相同的问题后来到这里。我想要做的是转换一维numpy系列/数组,它不适用于numpy.transpose([1,2,3])。 所以我想补充一下你可以这样转置(source):
numpy.matrix([1, 2, 3]).T
结果是:
matrix([[1],
[2],
[3]])
与...完全相同(类型不同):
x=np.array([1, 2, 3])
x[:,None]
但我觉得它更容易记住......
答案 3 :(得分:1)
用简单的英语解释它,它允许在两个不同维数的数组之间进行操作。
它是通过添加一个新的空白维度来实现的,该维度将自动适应另一个数组的大小。
基本上,如果:
Array1 = shape [100] 和 Array2 = shape [10,100]
Array1 * Array2
通常会出现错误。
Array1[:,None] * Array2
将起作用。
答案 4 :(得分:0)
如果您从经验丰富的NumPy用户那里看到代码,则经常会看到他们使用特殊的切片语法而不是调用reshape。
x = v[None, :]
或
x = v[:, None]
这些行创建一个切片,该切片查看v的所有项,但要求NumPy为关联的轴添加大小为1的新尺寸。
答案 5 :(得分:0)
(为了澄清@GWW的答案和@BlueRine S的注释)在使用numpy数组时,将一维数组清楚地视为行或列向量是一个好主意。吴安德鲁(Andrew Ng)也指出了这一点,以避免代码中的错误。
>>> import numpy as NP
>>> a = NP.arange(1,5)
>>> a
array([1, 2, 3, 4])
>>> a.shape
(4,)
>>> a[:,None].shape
(4, 1)
>>> a[:,None]
array([[1],
[2],
[3],
[4]])
>>> a[None,:].shape
(1, 4)
>>> a[None,:]
array([[1, 2, 3, 4]])
>>> np.reshape(a, (1, -1))
array([[1, 2, 3, 4]])
>>> np.reshape(a, (-1, 1))
array([[1],
[2],
[3],
[4]])