Python⾥对于shape（）的理解
Python⾥对于shape()的理解
（1）shape（）含义
在笔者debug深度学习相关代码的时候，很容易出现shape()这样形式的东西，⽤来告知输出数据的形式，由于shape（）⾥出现的数字数量不同，还经常有shape（？，64，512）这样的数据存在，因此上⽹查了⼀些信息，作出⽐较通俗易懂的解释：
import numpy as np
a = np.array([[[1,2,3],[4,5,6]]])
print(a.shape)
(1,2,3)
表⽰该数组有1个，是2⾏3列的数组。每⼀个shape⾥的数字对应数组中的⼀对中括号，第⼀个数字1表⽰最外层的中括号。以此类推，数字2表⽰第⼆层中括号，数字3表⽰最⾥层的中括号。如果定义array时去掉了最外层的括号那么输出的shape为(2, 3)。
（2）区分⼀维数组和⼆维数组
有⼏个中括号就为⼏维数组
因此在上⽂中，有三对中括号，是3维数组，shape（）中有3个数。
a = np.array([1,2])    #a.shape值(2,)，意思是⼀维数组，数组中有2个元素。
b = np.array([[1],[2]]) #b.shape值是(2,1)，意思是⼀个⼆维数组，每⾏有1个元素。
c = np.array([[1,2]])  #c.shape值是（1，2），意思是⼀个⼆维数组，每⾏有2个元素。
（3）shape（）中“？”的含义
⽽在debug相关程序时，可能会出现shape(?,2,3)这便代表数组每⼀个都是2⾏3列的，前⾯这个“？”便代表批处理个数，若为1则有1个，为2则有两个，但是在debug的时候不知道有⼏个，所以以“？”的形式显⽰。
（4）shape（）中有四个数，第⼀个数表⽰时间序列（批处理数）
dels 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()
⽽这⾥，shape（）中有四个数。第⼀个12代表就是时间序列，32，32，3指的是⾼，宽，通道数。卷积操作使⽤TimeDistributed就相当与这12个时间序列共享⼀个卷积层参数信息，⽆论时间序列值为多少，参数总量还是⼀定的。此处⼀共有896个参数，卷积核weights有3×3×3×32=864个，卷积核bias有32个。
附TimeDistributed解释
关于TimeDistributed有⼀个⽐较通俗的⽰例解释：
考虑⼀批32个样本，其中每个样本是⼀个由16个维度组成的10个向量的序列。该层的批输⼊形状然后(32, 10, 16)。
可以这么理解，输⼊数据是⼀个特征⽅程，X1+X2+…+X10=Y，从矩阵的⾓度看，拿出未知数，就是10个向量，每个向量有16个维度，这16个维度是评价Y的16个特征⽅向。
TimeDistributed层的作⽤就是把Dense层应⽤到这10个具体的向量上，对每⼀个向量进⾏了⼀个Dense操作，假设是下⾯这段代码：model = Sequential()model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))
输出还是10个向量，但是输出的维度由16变成了8，也就是（32,10,8）。
python 定义数组
TimeDistributed层给予了模型⼀种⼀对多，多对多的能⼒，增加了模型的维度。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。