提供新形状的满足条件是“新形状应与原形状兼容”

Numpy允许我们给出一个新的形状参数为-1(例如:(2，-1)或(-1,3)，但不是(-1，-1))。它只是意味着它是一个未知的维度，我们想让numpy来计算它。numpy将通过查看“数组的长度和剩余维度”并确保它满足上述标准来计算这个值

现在请看示例。

z = np.array([[1, 2, 3, 4],
         [5, 6, 7, 8],
         [9, 10, 11, 12]])
z.shape
(3, 4)

现在尝试用(-1)来重塑。结果新形状为(12，)并且与原始形状(3,4)兼容

z.reshape(-1)
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])

现在尝试用(- 1,1)来重塑。我们将列设为1，而行设为未知。因此我们得到的结果是，新形状为(12,1)同样与原始形状(3,4)兼容

z.reshape(-1,1)
array([[ 1],
   [ 2],
   [ 3],
   [ 4],
   [ 5],
   [ 6],
   [ 7],
   [ 8],
   [ 9],
   [10],
   [11],
   [12]])

以上与numpy建议/错误消息一致，对单个特性使用重塑(-1,1);即单柱

使用数组重塑数据。如果数据只有单一特征，则重塑(- 1,1)

新形状为(-1,2).行未知，列2。结果是(6,2)

z.reshape(-1, 2)
array([[ 1,  2],
   [ 3,  4],
   [ 5,  6],
   [ 7,  8],
   [ 9, 10],
   [11, 12]])

现在尽量不让专栏人知道。新形状为(1，-1)。也就是说，行为1，列为未知。我们得到的结果是(1,12)

z.reshape(1,-1)
array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12]])

以上与numpy建议/错误消息一致，对单个样本使用重塑(1，-1);即单行

使用数组重塑数据。如果包含单个样本，则重塑(1，-1)

新形状(2，-1)。第二行，未知列。结果是(2,6)

z.reshape(2, -1)
array([[ 1,  2,  3,  4,  5,  6],
   [ 7,  8,  9, 10, 11, 12]])

新形状为(3，-1)。第三行，未知列。结果是(3,4)

z.reshape(3, -1)
array([[ 1,  2,  3,  4],
   [ 5,  6,  7,  8],
   [ 9, 10, 11, 12]])

最后，如果我们试图提供两个维度为未知，即新形状为(-1，-1)。它会抛出一个错误

z.reshape(-1, -1)
ValueError: can only specify one unknown dimension

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。

"在所有其他维度都已指定的情况下，推断出这个维度"

显式地，这将使-1维度成为原始数组的维度积与新指定的dim的维度积的商。如果不是整数，则返回错误。

例如，对于一个形状数组(2,3,5)，以下都是等价的:

a = np.random.rand(2, 3, 5)

np.reshape(a, (-1,  2,  5))
np.reshape(a, ( 3, -1,  5))
np.reshape(a, ( 3,  2, -1))

这仅仅意味着您不确定您可以给出多少行或列，并且您要求numpy建议重新塑造的列或行数。

Numpy提供了-1的最后一个示例 https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html

检查下面的代码及其输出，以更好地理解关于(-1):

代码:

import numpy
a = numpy.matrix([[1, 2, 3, 4], [5, 6, 7, 8]])
print("Without reshaping  -> ")
print(a)
b = numpy.reshape(a, -1)
print("HERE We don't know about what number we should give to row/col")
print("Reshaping as (a,-1)")
print(b)
c = numpy.reshape(a, (-1,2))
print("HERE We just know about number of columns")
print("Reshaping as (a,(-1,2))")
print(c)
d = numpy.reshape(a, (2,-1))
print("HERE We just know about number of rows")
print("Reshaping as (a,(2,-1))")
print(d)

输出:

Without reshaping  -> 
[[1 2 3 4]
 [5 6 7 8]]
HERE We don't know about what number we should give to row/col
Reshaping as (a,-1)
[[1 2 3 4 5 6 7 8]]
HERE We just know about number of columns
Reshaping as (a,(-1,2))
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
HERE We just know about number of rows
Reshaping as (a,(2,-1))
[[1 2 3 4]
 [5 6 7 8]]

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。

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]])