Question

 I have a numpy array (A) of shape = (100000, 28, 28)
 I reshape it using A.reshape(-1, 28x28)

这在机器学习管道中非常常见。这是如何运作的？我从来没有理解重塑中“-1”的含义。

一个确切的问题是this 但没有可靠的解释。有什么答案吗？

Answer 1

在numpy中，创建一个100X100项的矩阵是这样的：

import numpy as np
x = np.ndarray((100, 100))
x.shape  # outputs: (100, 100)

numpy内部将所有10000个项目存储在10000个项目的数组中，无论此对象的形状如何，这允许我们将此数组的形状更改为任何维度，只要数组上的项目数量不会改变

例如，将我们的对象重塑为10X1000是正常的，因为我们保留了10000个项目：

x = x.reshape((10, 1000))

重塑到10X2000不会工作，因为我们在列表中没有足够的项目

x.reshape((10, 2000))
ValueError: total size of new array must be unchanged

回到-1问题，它的作用是未知维度的符号，意思是：让numpy用正确的值填充缺少的维度，这样我的数组就会保留相同数量的项目。

所以这个：

x = x.reshape((10, 1000))

相当于：

x = x.reshape((10, -1))

内部numpy所做的只是计算10000 / 10以获得缺失的维度。

-1甚至可以在数组的开头或中间。

以上两个例子相当于：

x = x.reshape((-1, 1000))

如果我们尝试将两个维度标记为未知，numpy将引发异常，因为它无法知道我们的含义，因为有多种方法可以重新整形数组。

x = x.reshape((-1, -1))
ValueError: can only specify one unknown dimension

Answer 2

这意味着，推断了您通过-1的维度的大小。因此，

A.reshape(-1, 28*28)

表示“重塑A，以便其第二个维度的大小为28 * 28，并计算第一个维度的正确大小”。