Question

对于一个非常愚蠢的问题感到抱歉。我一直试图找到答案。

所以我浏览了一篇关于“卷积神经网络”的指南，发现它使用的numpy.reshape函数看起来像这样：

testX.reshape([-1, 28, 28, 1])

这对我来说是中国人，因为我无法想象它与四个维度有关，也不是某种反向函数。

编辑：这是该功能的上下文。现在我甚至不确定它是否是一个笨拙的功能：

import tflearn.datasets.mnist as mnist
X, Y, testX, testY = mnist.load_data(one_hot=True)
X = X.reshape([-1, 28, 28, 1])
testX = testX.reshape([-1, 28, 28, 1])

Answer 1

在您的示例（MNIST）中，[-1, 28, 28, 1]代表

[training_examples, hight, width, channels]

对于训练样例，

-1，因为数字未知，高度和宽度应该清晰。

通道数：灰度图片使用1个通道，RBG使用3个通道。由于MNIST有灰度图片，这里有1（0到256之间的值）。

Answer 2

我假设您正在使用MNIST，或者使用一组28 x 28图像的类似数据集。也许这些图像以784长度的阵列呈现。

x = []
for _ in range(10):
    x.append(range(28 ** 2))
np.array(x).reshape([-1, 28, 28, 1])

这会将您的数据集转换为一组28 x 28 x 1矩阵，如果您尝试了解28 x 28且只有一种颜色的图像，这将非常有用。< / p>

它还将确定您拥有10张图片，并将您的数组转换为10 matrices形状28 x 28 x 1。

np.array(x).reshape([-1, 28, 28, 1]).shape == (10, 28, 28, 1)

它28 x 28 x 1代替28 x 28的原因有时候这是一种更清晰的方式来解释有28 x 28个方格和单一颜色。如果它让您感到困惑，则无需添加单维宽度，您可以轻松地将其映射到形状为28 x 28的矩阵。但是想象你有一个彩色图像的数据集，你可能会将它映射到28 x 28 x 3以表明它是一个带有28 x 28正方形的图像，并且每个正方形都有一个值三种颜色。

因此，它是一组-1张图片，其中-1表示计算正确的图片数量(10)，每张图片都有28 * 28个值，以及给每个值赋予它自己的维(1)。

这是什么样的重塑以及为什么要使用它？

2 个答案: