Python中shape[0]、shape[1]和shape[-1]分别的意思详解(附代码)

前言

shape函数是Numpy中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。

直接用.shape可以快速读取矩阵的形状，使用shape[0]读取矩阵第一维度的长度。

.shape的使用方法

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

(2, 3)

shape[0]的使用方法

>>> import numpy as np
>>> x=np.array([[1,2,3],[4,5,6]])
>>> print(x.shape[0])
2

其实，我们可以发现:

>>> print(len(x))
2

shape[0]读取矩阵第一维度的长度，即数组的行数。

shape[1]的使用方法

>>> print(x.shape[1])
3

是我们的数组的列数。

有时我们会遇到一种新的表示方法:shape[-1]

首先需要知道，对于二维张量，shape[0]代表行数，shape[1]代表列数，同理三维张量还有shape[2]

对于图像来说：

image.shape[0]——图片高

image.shape[1]——图片长

image.shape[2]——图片通道数

而对于矩阵来说：

shape[0]：表示矩阵的行数

shape[1]：表示矩阵的列数

一般来说，-1代表最后一个，所以shape[-1]代表最后一个维度，如在二维张量里，shape[-1]表示列数，注意，即使是一维行向量，shape[-1]表示行向量的元素总数，换言之也是列数：

我们还是举上面的例子:

>>> print(x.shape[-1])
3

就是求得的列数。

附：需要注意的小细节

 然后就是，需要注意turple，list等没有shape属性，需要替换成张量tensor

 注意，即使是三维，由于shape[0]表示向量数，所以shape[1]是行数，那么shape[2]还是列数，所以shape[-1]最后一维还是列数

import torch
 
x = torch.tensor([[2, 3, 4, 3, 6, 8],
                 [1, 8, 9, 5, 0, 1],
                 [2, 0, 2, 2, 7, 1]])
print(x.shape[-1])

输出是：6

6
 
Process finished with exit code 0

总结