Question

我正在计算NN的成本函数。我从numpy.dot得到的（1,1）答案上做了一个numpy.squeeze。然后我得到一个形状的ndarray（0,1）。

什么是形状的ndarray（）和形状（1，）的ndarray与形状（5）的形状有什么不同？

Answer 1

形状(1, 1)的ndarray类似于[[3]]，就像1x1矩阵一样。
形状(1,)的ndarray类似于[3]，就像大小为1的向量一样。
形状()的ndarray，a.k.a标量，类似于3。

差异是微妙的，因为由于广播规则标量和数组通常可以毫无问题地组合，但是您不能索引标量，而您可以索引大小为1的向量或大小为1x1的矩阵。另一方面，标量通常可以像原始Python值一样使用，例如int或float。如果您不想使用标量，则可以将axis参数传递给np.squeeze，以确保某些维度不被挤压，或使用np.atleast_1d确保您传递的任何内容至少有一个维度。您还可以使用np.isscalar检查某些内容是否为标量。

Answer 2

带有（1，n）和（n，1）的

dot产生一个（1,1）数组：

In [1221]: x = np.ones((3,1))
In [1222]: xx = np.dot(x.T,x)
In [1223]: xx.shape
Out[1223]: (1, 1)
In [1224]: xx
Out[1224]: array([[ 3.]])

item可用于从数组中提取该值：

Out[1227]: 3.0
In [1228]: type(_)
Out[1228]: float

您也可以通过索引选择项目，但type会有所不同：

In [1229]: xx[0,0]
Out[1229]: 3.0
In [1230]: type(_)
Out[1230]: numpy.float64

出于多种目的，float和np.float64之间的区别并不重要。

squeeze删除所有1号尺寸。在这种情况下，结果是0d数组。 item仍有效。索引也可以使用正确的索引大小（即长度为0的元组）：

In [1231]: xx0 = np.squeeze(xx)
In [1232]: xx0.shape
Out[1232]: ()
In [1233]: xx0.item()
Out[1233]: 3.0
In [1234]: xx0[()]
Out[1234]: 3.0
In [1235]: type(_)
Out[1235]: numpy.float64

np.float64的类继承是：

In [1236]: _.__mro__
Out[1236]: 
(numpy.float64,
 numpy.floating,
 numpy.inexact,
 numpy.number,
 numpy.generic,
 float,
 object)

所以isinstance float仍将返回true

In [1237]: isinstance(xx0.item(),float)
Out[1237]: True
In [1238]: isinstance(xx0[()],float)
Out[1238]: True
In [1239]: isinstance(xx[0,0],float)
Out[1239]: True

我不会依赖于所有numpy dtypes。

在形状（1,1）的np.squeeze之后返回的shape（）的ndarray是什么？

2 个答案: