numpy常用操作记录

1.数组维度

import tensorflow as tf
import numpy as np

a = np.arange(36)
print (a)
b = np.reshape(a,[2,2,3,3])
print (b)
print('b[0,0,0,0]:',b[0,0,0,0])
print('b[0,0,0,:]:',b[0,0,0,:])
print('b[0,0,:,0]:',b[0,0,:,0])
print('b[0,:,0,0]:',b[0,:,0,0])
print('b[:,0,0,0]:',b[:,0,0,0])

np.reshape, np.zeros等函数中，关于数组维度表示，用·「2,2,3,3」等形式数组表示。如「2,2,3,3」维数组，比较好的理解方式是：1维度长度2， 2维度长度2，3维度长度3，4维度长度4，不要用长宽高的思路去理解，高维度容易混乱。

只操作某1个维度的数据，可用b[0,0,：,0]，b[：，：，0，1]，b[：，：，1：2，0]等形式表示

每一个维度都可以填写指定的数字，或是x：y，或是：，指定选取其中的特定行，或者指定的某几行，或全部。

上面代码的打印结果如下：

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
 24 25 26 27 28 29 30 31 32 33 34 35]


[[[[ 0  1  2]
   [ 3  4  5]
   [ 6  7  8]]

  [[ 9 10 11]
   [12 13 14]
   [15 16 17]]]


 [[[18 19 20]
   [21 22 23]
   [24 25 26]]

  [[27 28 29]
   [30 31 32]
   [33 34 35]]]]


b[0,0,0,0]: 0
b[0,0,0,:]: [0 1 2]
b[0,0,:,0]: [0 3 6]
b[0,:,0,0]: [0 9]
b[:,0,0,0]: [ 0 18]

在对四维数组的打印中，可以看出，中括号的层级表示了维度。第一维对应了第一级中括号，第四维对应了第四级中括号。