Question

在SetThreadAffinityMask()中有一个名为numpy.sum()的参数。它做了什么？

正如您在文档中看到的那样： http://docs.scipy.org/doc/numpy/reference/generated/numpy.sum.html

keepdims

Answer 1

@Ney @hpaulj是正确的，你需要进行实验，但我怀疑你没有意识到某些数组的求和可以沿轴发生。请阅读以下文档阅读文档

>>> a
array([[0, 0, 0],
       [0, 1, 0],
       [0, 2, 0],
       [1, 0, 0],
       [1, 1, 0]])
>>> np.sum(a, keepdims=True)
array([[6]])
>>> np.sum(a, keepdims=False)
6
>>> np.sum(a, axis=1, keepdims=True)
array([[0],
       [1],
       [2],
       [1],
       [2]])
>>> np.sum(a, axis=1, keepdims=False)
array([0, 1, 2, 1, 2])
>>> np.sum(a, axis=0, keepdims=True)
array([[2, 4, 0]])
>>> np.sum(a, axis=0, keepdims=False)
array([2, 4, 0])

你会注意到，如果你没有指定一个轴（前两个例子），数值结果是相同的，但keepdims = True返回一个数字为6的2D数组，而，第二个化身返回了一个标量。同样，在axis 1（跨行）求和时，2D时会再次返回keepdims = True数组。最后一个示例沿着axis 0（向下列）显示了类似的特征...在keepdims = True时保留了尺寸。
研究轴及其属性对于在处理多维数据时充分理解NumPy的强大功能至关重要。

Answer 2

显示keepdims在使用高维数组时的实际操作示例。让我们看看数组的形状如何随着我们进行不同的缩减而改变：

import numpy as np
a = np.random.rand(2,3,4)
a.shape
# => (2, 3, 4)
# Note: axis=0 refers to the first dimension of size 2
#       axis=1 refers to the second dimension of size 3
#       axis=2 refers to the third dimension of size 4

a.sum(axis=0).shape
# => (3, 4)
# Simple sum over the first dimension, we "lose" that dimension 
# because we did an aggregation (sum) over it

a.sum(axis=0, keepdims=True).shape
# => (1, 3, 4)
# Same sum over the first dimension, but instead of "loosing" that 
# dimension, it becomes 1.

a.sum(axis=(0,2)).shape
# => (3,)
# Here we "lose" two dimensions

a.sum(axis=(0,2), keepdims=True).shape
# => (1, 3, 1)
# Here the two dimensions become 1 respectively

在numpy.sum（）中有一个名为“keepdims”的参数。它有什么作用？

2 个答案: