numpy数组维度理解终结版

写在前面

可能你会不相信，我是从玩pytorch中过来的，我觉得有必要记录一下，transpose这个坑还非踩不可,为了说的清楚一点儿，我多铺垫一点儿，先说说numpy数组维度的理解

引子

>>> a = np.arange(start=0, stop=24)
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])
>>> a = a.reshape(4, 3, 2)
>>> # 老铁们猜一猜长啥样
>>> a
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]],

       [[12, 13],
        [14, 15],
        [16, 17]],

       [[18, 19],
        [20, 21],
        [22, 23]]])
>>> # 我猜你还没get到点
>>> a.shape
(4, 3, 2)
>>> # 我到底想说啥，还是一头雾水，对吧？？哈哈

别揍我，关子卖的挺大，我到底想说啥呢？？
可能多用来处理图片的缘故，咱们多用二维数组，二维数组array.shape返回的元组，[0]是有几行的意思(也就是数组所谓的宽)，[1]是有几列的意思(也就是数组所谓的长)
而上面引例中，你可以把它理解为四通道的图片,而每一通道可以单独视作一张灰度图, 这样说应该没问题吧？(希望大家能理解)，所以按照咱们之前在二维图片的理解，a.shape返回的元组应该有[0]是图片的宽(有几行),[1]是图片的长(有几列)，[2]是图片的通道数
所以a.shape应该为：(3, 2, 4)即三行两列四通道

然而实际上,a.shape返回的元组是(4, 3, 2)，该怎么理解呢？？
我这里提出一种解释（只方便理解，也不知道对不对哈）

咱们初次看三维数组a
扒开它的第一层皮，看到了四个二维数组:

       [[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]],

       [[12, 13],
        [14, 15],
        [16, 17]],

       [[18, 19],
        [20, 21],
        [22, 23]]

而你看到的4个二维数组所在的维度就是三维数组中所谓的第一维即shape[0]

---

取这4个二维数组中的第一个
把它的皮剥掉

        [ 0,  1],
        [ 2,  3],
        [ 4,  5]

没错，我想说的就是，这3个一维数组所在的维度就是三维数组中所谓的第二维即shape[1]

---

咱有始有终，取这3个一维数组中的第一个
把它的皮剥掉,

        0， 1

只剩下两个常数，嗯嗯，这俩常数就是三维数组中所谓的第三维即shape[2]

---

总结一下

看见高维度数组，不要慌，从外向里依次"剥皮"，就分别是数组的第1， 2， 3......维度
下一篇博客写transpose函数