关于np.newaxis的一点心得

最新推荐文章于 2023-10-18 20:43:38 发布
最新推荐文章于 2023-10-18 20:43:38 发布
阅读量1.1k 收藏 4
点赞数 1
CC 4.0 BY-SA版权
分类专栏： python 文章标签： numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/JudasOk/article/details/80060290

1.np.newaxis的意思是为数组多加一个轴，但是这个轴加在哪里呢？

import numpy as np
a = np.array([
             [[10,11,12],
              [13,14,15],
              [16,17,18]],
             [[19,20,21],
              [22,23,24],
              [25,26,27]]
                        ])
b=a[:,:,:,np.newaxis]
c=a[:,:,np.newaxis,:]
d=a[:,np.newaxis,:,:]
e=a[np.newaxis,:,:,:]
f=a[np.newaxis]

print(a.shape)   #(2, 3, 3)
print(b.shape)  #(2, 3, 3, 1)
print(c.shape)  #(2, 3, 1, 3)
print(d.shape) #(2, 1, 3, 3)
print(e.shape) #(1, 2, 3, 3)

print(f.shape) #(1, 2, 3, 3)
可以从上述结果看到a本身的shape是（2，3，3），正好对应着a[0:2,0:3,0:3]。如果在第二个3的后面加上np.newwaxis，即a[0:2,0:3,0:3,np.newaxis]，那么维度就会变为（2，3，3，1），也即b=a[0:2,0:3,0:3,0:1]，同理可得其他部分的维度输出。
注意，如果写成f这种形式，那么就默认是插入了最前面。

2.其实感觉比较常用的应该是第一种，就是b=a[:,:,:,np.newaxis]，然后要得到相同的结果其实也可以写成：b=a.reshape([2,3,3,-1])
                

        

    

    
  



    



                



	

		

			

				
					
np.newaxis的功能-2020最简单讲解

				
			

			

				

					aiAI
				

				

					09-21
					
					965
					
				

			

		

		

			
				
np.newaxis的功能:插入新维度

目前经常用在机器学习numpy中的矩阵运算

这样改变维度的作用往往是将一维的数据转变成一个矩阵，与代码后面的权重矩阵进行相乘， 否则单单的数据是不能呢这样相乘的哦。

举个简单的例子介绍一下吧。

栗子1：


 a=np.array([1,2,3,4,5])
 print(a.shape)
 print (a)


输出：
(5,)
[1 2 3 4 5]



栗子2：


a=np.array([1,2,3,4,5])
aa=a[:,np.newaxis].

			
		

	



                

            
              



	

		

			

				
					
np.newaxis

				
			

			

				

					bury_pen
				

				

					01-24
					
					749
					
				

			

		

		

			
				
np.newaxis
np.newaxis的作用是：在当前位置，插入一个新维度。
一维数组
import numpy as np

a = np.arange(5) # a.shape=(5,)
b = a[np.newaxis, :] # b.shape=(1,5)
c = a[:,np.newaxis] # c.shape=(5,1)
d = a[:,np.newaxis,np.newaxis...

			
		

	



              


  
              

                


	

		

			

				
					
np.newaxis使用心得

				
			

			

				

					weixin_44530236的博客
				

				

					03-29
					
					4256
					
				

			

		

		

			
				
最近对着sklearn文档练习机器学习（Machine Learning, ML），代码中遇到一个问题np.newaxis。


import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_...

			
		

	





	

		

			

				
					
写一篇“优化课堂所讲Knn的流程，并封装为预测函数（如predict），模仿sklearn风格，将iris.csv拆分训练集合和测试集，通过预测结果，给出分类的预测准确性。  使用NumPy 完成KD 树的构建  测试数据集为：X = np.array([[2, 3], [5, 4], [9, 6], [4, 7], [8, 1], [7, 2]])   #每个样本有两个特征  y = np.array(['苹果', '苹果', '香蕉', '苹果', '香蕉', '香蕉'])                        #每个样本对应的标签  ”的心得

				
			

			

				

					03-27
				

			

		

		

			
				
 data = np.hstack((X, y[:, np.newaxis]))  self.kd_tree = KDTree(data)   def predict(self, X):  y_pred = []  for x in X:  knn_list = knn_search(self.kd_tree.root, x, self.k)  knn_label = [knn[1][-1] ...

			
		

	



		

			
		



	

		

			

				
					
STM32课程学习心得

				
			

			

				

					qq450327的博客
				

				

					10-18
					
					3227
					
				

			

		

		

			
				
另外，我还计划将我在学习过程中积累的实践经验分享给我的同事和朋友，以帮助更多的人在学习STM32的过程中少走弯路。这段经历不仅让我收获了宝贵的知识和技能，还培养了我持续学习和解决问题的能力。这段学习经历让我对这个领域有了更深入的理解，也让我有了更多的自信去面对实际工程的挑战。同时，我也感受到了学习的挑战，如理解硬件接口的工作原理、掌握复杂的HAL库等。在学习STM32的过程中，我主要聚焦于几个核心知识点，包括ARM Cortex-M系列处理器的架构、STM32的硬件接口、H AL库的使用以及嵌入式C编程。

			
		

	





	

		

			

				
					
tf.Saver() 的使用心得

				
			

			

				

					lordkk的博客
				

				

					05-29
					
					2528
					
				

			

		

		

			
				
自己训练神经网络时，可能需要：1. fine-tune 预训练好的模型； 2. 分阶段训练。 这时tf.Saver()的使用必不可少。以下是自己使用这个函数的一些心得。
示例代码：
import tensorflow as tf
import numpy as np

def add_layer(x, kin, kout, name, trainable=True):
    W = tf.Var...

			
		

	





	

		

			

				
					
飞桨PaddlePaddle深度学习集训营CV学习心得

				
			

			

				

					qq_32854205的博客
				

				

					02-29
					
					753
					
				

			

		

		

			
				
之前学习过吴恩达老师的深度学习的视频，但是比较少代码的实践，而且很多理论知识理解不到位。通过这次集训营的学习，增强了实战能力，对很多知识也理解更深刻，也学会多了一个深度学习框架飞桨的基本使用。
一、主要学习内容及学习到的技术：
1、首先会教不用框架只用python来实现一个房价预测的案例
这个案例对一些概念如：前向计算、反向计算、损失函数、梯度下降的理解特别有用，以下是一部分关键代码，
主要包括前...

			
		

	





	

		

			

				
					
Python-np.newaxis

				
			

			

				

					秀呀秀的博客
				

				

					02-26
					
					1638
					
				

			

		

		

			
				
 np.newaxis 为 numpy.ndarray（多维数组）增加一个轴


>> type(np.newaxis)
NoneType
>> np.newaxis == None
True

np.newaxis 在使用和功能上等价于 None，查看源码发现：newaxis = None，其实就是 None 的一个别名。1. np.newaxis 的实用


>&...

			
		

	





	

		

			

				
					
np的newaxis使用

				
			

			

				

					hongxue8888的博客
				

				

					03-20
					
					543
					
				

			

		

		

			
				
import numpy as np
print(type(np.newaxis))
print(np.newaxis == None)

输出：



<class 'NoneType'>
True

从上面可以看出：np.newaxis 在使用和功能上等价于 None，其实就是 None 的一个别名。





x = np.arange(3)
print(x)
print(x[:...

			
		

	





	

		

			

				
					
np.newaxis 自己的理解

				
			

			

				

					THE XING
				

				

					08-22
					
					1496
					
				

			

		

		

			
				
由于之前学过matlab，目前学习python3，在这里遇到点坑，记录一下。

np.newaxis 在官方介绍下，就是增加一个维度，感觉十分抽象，不知所云，这里我用实验验证下这个函数。


# 先定义一个 一维数组
In [33]: x
Out[33]: array([0, 1, 2, 3, 4])

In [34]: x.shape
Out[34]: (5,)

# 使用np.newaxis ...

			
		

	





	

		

			

				
					
【Python】np.newaxis()函数用法详解

				
			

			

				

					Danger的博客
				

				

					02-13
					
					6908
					
				

			

		

		

			
				
【Python】np.newaxis()函数用法详解

			
		

	





	

		

			

				
					
np.newaxis终极解释

				
			

			

				

					lllxxq141592654的博客
				

				

					12-31
					
					3576
					
				

			

		

		

			
				
例
import numpy as np

x = np.arange(3)

print('x:\n', x)
print('x.shape=', x.shape, '\n******************')

print('x[:, np.newaxis]:\n', x[:, np.newaxis])
print('x[:, np.newaxis].shape=', x[:, np.new...

			
		

	





	

		

			

				
					
【小记】np.newaxis的用法

					
热门推荐

				
			

			

				

					学习 & 分享 ~
				

				

					04-10
					
					1万+
					
				

			

		

		

			
				
np.newaxis 的功能是增加新的维度，但是要注意 np.newaxis 放的位置不同，产生的矩阵形状也不同。
通常按照如下规则：
np.newaxis 放在哪个位置，就会给哪个位置增加维度

x[:, np.newaxis] ，放在后面，会给列上增加维度
x[np.newaxis, :] ，放在前面，会给行上增加维度

用途： 通常用它将一维的数据转换成一个矩阵，这样就可以与其他矩阵进行相乘...

			
		

	





	

		

			

				
					
np.newaxis的用法

				
			

			

				

					lvla_juan的博客
				

				

					07-29
					
					367
					
				

			

		

		

			
				
np.newaxis的作用是对已有数据增加一个维度：
x = np.random.randint(1, 8, size=5)
x.shape
(5,)       #原始唯独
x1 = x[np.newaxis, :]
x1.shape
(1, 5)      #维度变为（1，5）
x1
array([[1, 6, 6, 3, 2]])
x2 = x[:, np.newaxis]
x2.shape...

			
		

	





	

		

			

				
					
np.newaxis知识点整理

				
			

			

				

					浅笑古今的博客
				

				

					11-23
					
					280
					
				

			

		

		

			
				
做kaggle比赛时，看到有方法中用到np.newaxis，现将知识点整理如下。


>>import numpy as np
>>type(np.newaxis)
NoneType
>>np.newaxis == None
True


可以发现np.newaxi等价于 None。1


>>x = np.array([0, 1, 2])
>...

			
		

	





	

		

			

				
					
boxes1[:, np.newaxis, 1]  np.newaxis的作用

					
最新发布

				
			

			

				

					06-24
				

			

		

		

			
				
<think>我们被要求解释numpy中np.newaxis的作用和用法，特别是在多维数组操作中用于扩展维度。根据引用资料，np.newaxis的主要作用是为数组增加一个新的维度（轴）。它在使用上等价于None，是None的一个别名（引用[4]）。具体来说：-当我们有一个一维数组时，可以使用np.newaxis将其转换为二维的行向量或列向量。-同样，对于多维数组，我们可以在任意位置插入新的维度。使用方式：在数组的索引操作中，在需要增加新维度的位置插入np.newaxis。示例：1.将一维数组转换为列向量（增加一个行维度，使形状从(n,)变为(n,1)）：arr=np.array([0,1,2])arr_col=arr[:,np.newaxis]#或者arr[:,None]2.将一维数组转换为行向量（增加一个列维度，使形状从(n,)变为(1,n)）：arr_row=arr[np.newaxis,:]#或者arr[None,:]3.对于多维数组，可以在任意位置插入新维度。例如，一个形状为(2,3)的二维数组：x=np.array([[1,2,3],[4,5,6]])#在第一个维度前插入新维度，变成(1,2,3)x_new=x[np.newaxis,:,:]#在第二个维度后插入新维度，变成(2,3,1)x_new2=x[:,:,np.newaxis]为什么需要np.newaxis？-广播（Broadcasting）：当进行数组运算时，NumPy要求两个数组的形状在相应维度上兼容。有时需要手动调整数组维度以使其满足广播条件。-特定操作要求：某些操作（如某些神经网络层的输入）要求特定的维度数，这时可能需要增加维度。引用[5]中给出了一个广播的例子：X=np.random.randint(0,9,(2,3))mean_X=np.mean(X,axis=1)#形状为(2,)#直接做减法会报错，因为(2,3)和(2,)不能直接广播#但如果将mean_X增加一个维度，使其形状变为(2,1)，则可以广播mean_X_expanded=mean_X[:,np.newaxis]#形状(2,1)result=X-mean_X_expanded#现在可以广播：从(2,1)广播到(2,3)另外，引用[1][2][3]中也展示了类似用法。总结：np.newaxis是一个用于增加数组维度的便捷工具。它在数组索引中使用，放在需要增加新维度的位置。下面我们用代码示例来展示np.newaxis的用法。</think>### NumPy中`np.newaxis`的作用与用法详解

`np.newaxis`是NumPy中用于增加数组维度的特殊工具，它在多维数组操作中扮演着关键角色。本质上，`np.newaxis`是`None`的别名，用于在指定位置插入新的维度轴。

#### 核心作用
- **增加维度**：在现有数组的任意位置插入新的维度
- **改变形状**：将一维数组转换为行向量或列向量
- **广播兼容**：调整数组维度以实现广播运算
- **数据重塑**：为特定操作准备合适的数据结构

#### 基本用法示例

```python
import numpy as np

arr = np.array([1, 2, 3])  # 形状 (3,)

# 转换为列向量 (3,1)
col_vector = arr[:, np.newaxis]
print(col_vector)
"""
[[1]
 [2]
 [3]]
"""

# 转换为行向量 (1,3)
row_vector = arr[np.newaxis, :]
print(row_vector)
# [[1 2 3]]
```

#### 多维数组扩展
```python
matrix = np.array([[1, 2], [3, 4]])  # 形状 (2,2)

# 在第一个维度前插入新轴 (1,2,2)
expanded1 = matrix[np.newaxis, :, :]
print(expanded1.shape)  # (1, 2, 2)

# 在最后一个维度后插入新轴 (2,2,1)
expanded2 = matrix[:, :, np.newaxis]
print(expanded2.shape)  # (2, 2, 1)
```

#### 广播运算应用
当进行数组运算时，维度必须兼容。`np.newaxis`可解决维度不匹配问题：

```python
A = np.array([10, 20, 30])  # (3,)
B = np.array([[1], [2], [3]])  # (3,1)

# 广播运算：A自动扩展为(1,3)，B为(3,1)
result = A[np.newaxis, :] + B
print(result)
"""
[[11 21 31]
 [12 22 32]
 [13 23 33]]
"""
```

#### 与`np.expand_dims`的关系
`np.newaxis`是更简洁的维度扩展方法，功能等价于`np.expand_dims`：
```python
# 两种方法等价
arr[:, np.newaxis] == np.expand_dims(arr, axis=1)
```

#### 实际应用场景
1. **机器学习输入**：将一维样本扩展为批量格式
   ```python
   sample = np.array([0.1, 0.5, 0.8])
   batch = sample[np.newaxis, :]  # 形状 (1,3)
   ```

2. **图像处理**：为灰度图添加通道维度
   ```python
   gray_image = np.random.rand(256, 256)  # (H,W)
   rgb_ready = gray_image[:, :, np.newaxis]  # (H,W,1)
   ```

3. **矩阵运算**：实现向量与矩阵的逐元素操作
   ```python
   matrix = np.array([[1,2],[3,4]])
   vector = np.array([10,20])
   
   result = matrix * vector[np.newaxis, :]
   """
   [[10 40]
    [30 80]]
   """
   ```

#### 注意事项
1. 插入的新维度长度为1
2. 原始数据不会被复制，仅改变视图
3. 可与切片操作无缝结合使用
4. 过多使用可能导致代码可读性下降

通过合理使用`np.newaxis`，可以灵活处理各种维度转换需求，特别是在数据预处理和科学计算中实现高效的维度操作[^1][^3][^4]。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值