Python中 Numpy 数据 通过中括号识别数据维度，以及表示方法解释

 

关于 Python 和 Tensorflow 中数据单元 矩阵的 一些理解

在操作 Python中矩阵单元 Matrix 的时候，关于维度的理解，

Tensor 作为 matrix 概念的一般化， scalar 表示一个数， 维度为0， vector表示向量，维度为1， matrix 表示矩阵， 维度为2， 然后有三维的 tenor 还有四位的tensor 以此类推.

在Python中实际操作的时候，当我们初始化一个变量 x, 一般用中括号表示 例如 : 

a=np.array([0,1,2,3])

b=np.array([[0],[1],[2],[3]])

c=np.array([[0,1,2,3]])

可以通过通过数据的中括号来判断数据的维度，如果只有一个中括号那么数据是1 维，两个中括号数据为2维，三个中括号数据为3维，以此类推，注意这里的中括号是表示不同层级的中括号的个数。

高维的数据，类似于由内括号中的数据向外堆叠维度的过程，高于三维的数据，通过这种方式很容易构建想象，实际中Python中的数据的维度是由外到内的，第一个中括号表示行，第二个中括号表示列等等，与这种想象方式相反。

同一层级的中括号算作一个中括号.例如上边例子中的 数据啊 a 由内到外只有一个层级的中括号 ，a 为1 维数据， b 由内到外有两个层级的中括号，b为2维数据，同样的道理. c 也是2维数据.

 

a=np.array([0,1,2,3])

b=np.array([[0],[1],[2],[3]])

c=np.array([[0,1,2,3]])

print(a.shape)
(4,)

print(b.shape)
(4, 1)

print(c.shape)
(1, 4)

通常我们会遇到以上这种情况， a.shape (4,) , b.shape(4,1) ，这两者有什么区别呢 ？

我们已经知道 a 是1 维数据， b 是2维数据， 1维数据表示为 (4,) 其中第二维为空， 二维数据 (4,1) 有两个维度来表示.