假设我们有一个三维数组，大小为2 x 10 x 10:

r = numpy.random.rand(2, 10, 10) 

现在我们要重塑为5 X 5 X 8:

numpy.reshape(r, shape=(5, 5, 8)) 

会完成任务的。

注意，一旦你修复了第一个dim = 5和第二个dim = 5，你就不需要确定第三个维度了。为了帮助你的懒惰，Numpy提供了使用-1的选项:

numpy.reshape(r, shape=(5, 5, -1)) 

会得到一个shape =(5,5,8)的数组。

同样的,

numpy.reshape(r, shape=(50, -1)) 

会得到一个数组shape = (50,4)

你可以在http://anie.me/numpy-reshape-transpose-theano-dimshuffle/上阅读更多

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。

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。

-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!)

import numpy as np
x = np.array([[2,3,4], [5,6,7]]) 

# Convert any shape to 1D shape
x = np.reshape(x, (-1)) # Making it 1 row -> (6,)

# When you don't care about rows and just want to fix number of columns
x = np.reshape(x, (-1, 1)) # Making it 1 column -> (6, 1)
x = np.reshape(x, (-1, 2)) # Making it 2 column -> (3, 2)
x = np.reshape(x, (-1, 3)) # Making it 3 column -> (2, 3)

# When you don't care about columns and just want to fix number of rows
x = np.reshape(x, (1, -1)) # Making it 1 row -> (1, 6)
x = np.reshape(x, (2, -1)) # Making it 2 row -> (2, 3)
x = np.reshape(x, (3, -1)) # Making it 3 row -> (3, 2)

长话短说:您设置一些维度，让NumPy设置其余的维度。

(userDim1, userDim2, ..., -1) -->>

(userDim1, userDim1, ..., TOTAL_DIMENSION - (userDim1 + userDim2 + ...))