numpy.reshape()的函數(shù)的具體使用
np.reshape()基本用法
常用于矩陣規(guī)格變換，將矩陣轉(zhuǎn)換為特定的行和列的矩陣
格式：a1.reshape(x,y,z,…)
注意：將矩陣a1轉(zhuǎn)變成（x, y,z,…）---->一維長(zhǎng)度x，二維長(zhǎng)度y，三維長(zhǎng)度z，…的矩陣。
場(chǎng)景：matlibplot畫圖時(shí)x、y軸需要傳入的是一維，可以用reshape()實(shí)現(xiàn)；再例如需要將多維的變成行向量或列向量時(shí)也經(jīng)常要用
numpy.reshape(a, newshape, order='C')[source]，參數(shù)`newshape`是啥意思？
根據(jù)Numpy文檔(https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html#numpy-reshape)的解釋：
newshape : int or tuple of ints
The new shape should be compatible with the original shape. If an integer, then the result will be a 1-D array of that length. One shape dimension can be -1. In this case, **the value is inferred from the length of the array and remaining dimensions**.
大意是說，數(shù)組新的shape屬性應(yīng)該要與原來的配套，如果等于-1的話，那么Numpy會(huì)根據(jù)剩下的維度計(jì)算出數(shù)組的另外一個(gè)shape屬性值。
舉幾個(gè)例子或許就清楚了，有一個(gè)數(shù)組z，它的shape屬性是(4, 4)
z = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12],
[13, 14, 15, 16]])
z.shape
(4, 4)
z.reshape(-1)
z.reshape(-1) array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
z.reshape(-1, 1)
也就是說，先前我們不知道z的shape屬性是多少，但是想讓z變成只有一列，行數(shù)不知道多少，通過`z.reshape(-1,1)`，Numpy自動(dòng)計(jì)算出有12行，新的數(shù)組shape屬性為(16, 1)，與原來的(4, 4)配套。
z.reshape(-1,1)
array([[ 1],
[ 2],
[ 3],
[ 4],
[ 5],
[ 6],
[ 7],
[ 8],
[ 9],
[10],
[11],
[12],
[13],
[14],
[15],
[16]])
z.reshape(-1, 2)
newshape等于-1，列數(shù)等于2，行數(shù)未知，reshape后的shape等于(8, 2)
z.reshape(-1, 2)
array([[ 1, 2],
[ 3, 4],
[ 5, 6],
[ 7, 8],
[ 9, 10],
[11, 12],
[13, 14],
[15, 16]])
同理，只給定行數(shù)，newshape等于-1，Numpy也可以自動(dòng)計(jì)算出新數(shù)組的列數(shù)。
到此這篇關(guān)于numpy.reshape()的函數(shù)的具體使用的文章就介紹到這了,更多相關(guān)numpy.reshape()內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Numpy 數(shù)組操作之元素添加、刪除和修改的實(shí)現(xiàn)
本文主要介紹了Numpy 數(shù)組操作之元素添加、刪除和修改的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-03-03
python人工智能tensorflow常見損失函數(shù)LOSS匯總
這篇文章主要為大家介紹了python人工智能tensorflowf常見損失函數(shù)LOSS匯總，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-05-05
這篇文章主要介紹了pytorch loss反向傳播出錯(cuò)的解決方案，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-05-05
python實(shí)現(xiàn)下載指定網(wǎng)址所有圖片的方法
這篇文章主要介紹了python實(shí)現(xiàn)下載指定網(wǎng)址所有圖片的方法,涉及Python針對(duì)頁(yè)面的讀取、遍歷及文件操作的相關(guān)技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-08-08
在pytorch中對(duì)非葉節(jié)點(diǎn)的變量計(jì)算梯度實(shí)例
今天小編就為大家分享一篇在pytorch中對(duì)非葉節(jié)點(diǎn)的變量計(jì)算梯度實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-01-01
這篇文章將詳細(xì)講解圖像融合處理和ROI區(qū)域繪制，同時(shí)補(bǔ)充圖像屬性、通道和類型轉(zhuǎn)換。文中的示例代碼講解詳細(xì)，需要的可以參考一下2022-01-01
這篇文章主要介紹了Python爬蟲基本套路，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-03-03
python基礎(chǔ)教程之獲取本機(jī)ip數(shù)據(jù)包示例
本文主要介紹了python獲取本機(jī)ip數(shù)據(jù)包的示例，大家參考使用吧2014-02-02
Python使用樹狀圖實(shí)現(xiàn)可視化聚類詳解
一般情況下，我們都是使用散點(diǎn)圖進(jìn)行聚類可視化，但是某些的聚類算法可視化時(shí)散點(diǎn)圖并不理想，所以在這篇文章中，我們介紹如何使用樹狀圖（Dendrograms）對(duì)我們的聚類結(jié)果進(jìn)行可視化2023-03-03
Python基礎(chǔ)教程之Pandas數(shù)據(jù)分析庫(kù)詳解
Pandas是一個(gè)基于 NumPy 的非常強(qiáng)大的開源數(shù)據(jù)處理庫(kù)，它提供了高效、靈活和豐富的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具，本文中，我們將學(xué)習(xí)如何使用Pandas來處理和分析數(shù)據(jù)，感興趣的小伙伴跟著小編一起來看看吧2023-07-07