python中shape用法

一維矩陣

二維矩陣

更詳細講解：Python裡對於shape()的理解

Python裡對於shape()的理解

（1）shape（）含義

在筆者debug深度學習相關代碼的時候，很容易出現shape()這樣形式的東西，用來告知輸出數據的形式，由於shape（）裡出現的數字數量不同，還經常有shape（？，64，512）這樣的數據存在，因此上網查了一些信息，作出比較通俗易懂的解釋：

import numpy as np
a = np.array([[[1,2,3],[4,5,6]]])
print(a.shape)
(1, 2, 3)

表示該數組有1個，是2行3列的數組。每一個shape裡的數字對應數組中的一對中括號，第一個數字1表示最外層的中括號。以此類推，數字2表示第二層中括號，數字3表示最裡層的中括號。如果定義array時去掉了最外層的括號那麼輸出的shape為(2, 3)。

（2）區分一維數組和二維數組

有幾個中括號就為幾維數組，即shape後的結果中就有幾個數。
因此在上文中，有三對中括號，是3維數組，shape（）中有3個數。

a = np.array([1,2]) #a.shape值(2,)，意思是一維數組，數組中有2個元素。
b = np.array([[1],[2]]) #b.shape值是(2,1)，意思是一個二維數組，每行有1個元素。
c = np.array([[1,2]]) #c.shape值是（1，2），意思是一個二維數組，每行有2個元素。

（3）shape（）中“？”的含義

而在debug相關程序時，可能會出現shape(?,2,3)這便代表數組每一個都是2行3列的，前面這個“？”便代表批處理個數，若為1則有1個，為2則有兩個，但是在debug的時候不知道有幾個，所以以“？”的形式顯示。

（4）shape（）中有四個數，第一個數表示時間序列（批處理數）

from keras.models import Input,Model
from keras.layers import Dense,Conv2D,TimeDistributed
input_ = Input(shape=(12,32,32,3))
out = TimeDistributed(Conv2D(filters=32,kernel_size=(3,3),padding='same'))(input_)
model = Model(inputs=input_,outputs=out)
model.summary()

而這裡，shape（）中有四個數。第一個12代表就是時間序列，32，32，3指的是高，寬，通道數。卷積操作使用TimeDistributed就相當與這12個時間序列共享一個卷積層參數信息，無論時間序列值為多少，參數總量還是一定的。此處一共有896個參數，卷積核weights有3×3×3×32=864個，卷積核bias有32個。

附TimeDistributed解釋

關於TimeDistributed有一個比較通俗的示例解釋：
考慮一批32個樣本，其中每個樣本是一個由16個維度組成的10個向量的序列。該層的批輸入形狀然後(32, 10, 16)。

可以這麼理解，輸入數據是一個特征方程，X1+X2+…+X10=Y，從矩陣的角度看，拿出未知數，就是10個向量，每個向量有16個維度，這16個維度是評價Y的16個特征方向。

TimeDistributed層的作用就是把Dense層應用到這10個具體的向量上，對每一個向量進行了一個Dense操作，假設是下面這段代碼：

model = Sequential()model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))

輸出還是10個向量，但是輸出的維度由16變成了8，也就是（32,10,8）。

TimeDistributed層給予了模型一種一對多，多對多的能力，增加了模型的維度。