Question

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？

Answer 1

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]])

Answer 2

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]]

Answer 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......

Answer 4

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。

Answer 5

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。

Answer 6

（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]])

在numpy中，[：，None]的选择是做什么的？

6 个答案: