转换的最终结果是最终数组中的元素数量与初始数组或数据帧的元素数量相同。

-1对应行或列的未知计数。 我们可以把它看成x(未知)X是用原始数组中的元素数除以-1的有序对的另一个值得到的。

例子:

12个元素与重塑(-1,1)对应的数组x=12/1=12行1列。

12个元素具有重塑(1，-1)对应于一个有1行和x=12/1=12列的数组。

根据文档:

Newshape: int或int的元组 新形状应与原形状兼容。如果一个 整数，则结果将是该长度的一维数组。一个形状 维度可以是-1。在本例中，该值是从 数组的长度和剩余维度。

numpy.reshape(a,newshape,order{})

查看下面的链接获取更多信息。 https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html

对于下面的示例，您提到的输出将结果向量解释为单行。(-1)表示行数为1。 如果

a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
b = numpy.reshape(a, -1)

输出:

matrix([[1, 2, 3, 4, 5, 6, 7, 8]])

这可以用另一个例子来更准确地解释:

b = np.arange(10).reshape((-1,1))

输出:(1维柱状阵列)

array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])

or

b = np.arange(10).reshape((1,-1))

输出:(是一个1维行数组)

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

直到读了这篇文章，我才明白np. remodeling()是做什么的。

从机械上看，重塑()的功能很清楚。但我们如何解读重塑前后的数据呢?

我所缺少的是:

当我们训练机器学习模型时，数组的嵌套层具有精确定义的含义。

这意味着，在重塑操作有任何意义之前，必须敏锐地意识到以下两点:

它所操作的数据(重塑输入的样子) 算法/模型期望重塑后的数据是什么样子(重塑后的输出是什么样子)

例如:

外部数组包含观测值/行。内部数组包含列/特性。这导致了两种特殊情况，即我们要么有一个对一个特征的多个观察的数组，要么有一个对多个特征的单一观察。

更高级的例子: 请看这个stackoverflow问题

编辑:增加了更详细的例子，见下文。

场景

我们有以下三组/份:

(图中为1组)

所有东西都被平化了，所以emb(3个src节点，emb_size=32)是torch。大小([32])。和，emb的6 tgt节点火炬。大小([6 32])

Goal

我们希望重塑数据，以便每个src对应2个tgt节点，因此我们这样做:

现在，对于第i个src节点，我们有:

source_embs[我:] 对应的target_embs[i，:，:] 这就是关键所在:数据现在被整齐地组织起来了，如果没有重塑，我们就不能做这个简单的索引。

细节

查看target_embs的形状:

before reshaping, shape is [6,32] we start from rightmost dim, dim1=32, it isn't changed in the reshape, so ignore we view shape as [6,*], and now the rightmost dim is dim0=6, almost like ignore dim1, and view it as [6] When we reshape [6] into [3,2], we always look at the rightmost dim first, so we take 2 elements, then change row, then 2 element then change row and so on As prior knowledge, we know [6,*] corresponds to [src1_tgt1, src1_tgt2, src2_tgt1, src2_tgt2, src3_tgt1, src3_tgt2] (this input has to be in this format, or else we need to rearrange the input into this format) hence we know output is formatted correctly: [3,2] will correspond to what we want: [[src1_tgt1,src1_tgt2],[src2_tgt1, src2_tgt2],[src3_tgt1, src3_tgt2]] So reshaping [6,32] into [3,2,32] is now complete what if we want to reshape [6,32] into [4,3,16]? torch can do this, because the index match up, but the result is useless to our purposes what if we want to have [32,2,3] in the end instead of [3,2,32]? Do we just do reshape(input6x32,(32,2,3))? No. Because the data will be scrambled and will be meaningless. What we can do is to get to [3,2,32] first, and then use transpose() into [32,2,3].

摘要(基本使用)

一次重塑两个连续的维度，而且只能重塑两个。这样就更容易理解了。 如果要重塑非连续维度，则在重塑前进行转置 可能还有更高级的用法，但这是我设法理解重塑()正在做什么的唯一方法。

当你使用-1(或任何其他负整数，我做这个测试kkk)在

b = numpy.reshape(a, -1)

你说的只是麻木的人。重塑自动计算向量的大小(行x列)，并将其重新定位到具有该维度的1-D向量。这个命令很有趣，因为它会自动为您执行。如果您想通过输入一个正整数值来将向量重塑为1-D，那么重塑命令只有在正确输入值“rows x columns”时才会起作用。所以输入一个负整数会让这个过程更简单。

-1代表“未知维度”，可以从另一个维度推断出来。 在这种情况下，如果你这样设置你的矩阵:

a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])

像这样修改你的矩阵:

b = numpy.reshape(a, -1)

它将调用一些对矩阵a的默认操作，这将返回一个1-d numpy数组/矩阵。

然而，我不认为使用这样的代码是一个好主意。为什么不试试呢:

b = a.reshape(1, -1)

它会给你同样的结果，而且更容易让读者理解:将b设置为a的另一种形状。对于a，我们不知道它应该有多少列(设置为-1!)，但我们想要一个一维数组(设置第一个参数为1!)