为什么在矩阵 X 上使用重塑函数时使用 (X.shape[0], -1) 作为参数？
Why (X.shape[0], -1) is used as parameters while using reshape function on a matrix X?
在学习 deeplearning.ai 课程时，我突然需要使用 numpy.reshape()。但是，在这样做的同时，课程笔记本中指示我以特定方式进行操作。
目的是将 4 维向量转换为 2 维向量。
//
说明：
为方便起见，您现在应该在形状 (num_px ∗∗ num_px ∗∗ 3, 1) 的 numpy 数组中重塑形状 (num_px、num_px、3) 的图像。在此之后，我们的训练（和测试）数据集是一个 numpy 数组，其中每一列代表一个扁平图像。应该有 m_train（分别为 m_test）列。
练习：重塑训练和测试数据集，以便将大小为 (num_px, num_px, 3) 的图像展平为形状为 (num_px ∗∗ num_px ∗∗ 3, 1).
的单个向量
当你想要将形状为 (a,b,c,d) 的矩阵 X 展平为形状为 (b∗∗c∗d, a) 的矩阵 X_flatten 时，一个技巧是使用:
X_flatten = X.reshape(X.shape[0], -1).T
(X.T is the transpose of X)
我无法理解为什么要这样给出参数？
此外，在玩代码时，将“-1”更改为任何负整数，并没有改变输出。
我假设你正在使用 MNIST 数据集，所以你有 n 个大小为 mm3 的图像，让我们假设 n 为 100，m 为 8。所以你有 100 个大小为 8*8 的 RGB 图像（3 个通道），从而使您的数据形状为 100、8、8、3。现在您想要展平 100 张图像中的每一张，因此您可以循环遍历数据集，逐张展平它，或者您可以重塑它。
您决定通过以下方式重塑它：
X.reshape(X.shape[0], -1).T
让我们再解压一下，X.shape[0] 给你 100。shape 属性将 return 你一个 (100,8,8,3) 的元组，因为那是你的形状数据集，然后访问它的第 0 个元素，即 100，所以你得到
X.reshape(100, -1).T
那么它的作用是重塑数组但确保你仍然有 100 张图像，-1 表示你不关心结果将重塑成什么形状，所以它会自动推断从原始形状的形状。以前你有一个形状为 100、8、8、3 的 4 维数组，但现在你想将它重塑为一个二维数组，你指定 100 应该是形状的维度 0，所以 numpy 推断重塑它变成这样的二维形状，它必须将其展平，因此 100,883 是输出形状。
之后你只需转置它
此外，这就是 numpy 文档所说的
The new shape should be compatible with the original shape. If an
integer, then the result will be a 1-D array of that length. One shape
dimension can be -1. In this case, the value is inferred from the
length of the array and remaining dimensions.
在学习 deeplearning.ai 课程时，我突然需要使用 numpy.reshape()。但是，在这样做的同时，课程笔记本中指示我以特定方式进行操作。
目的是将 4 维向量转换为 2 维向量。
// 说明：
为方便起见，您现在应该在形状 (num_px ∗∗ num_px ∗∗ 3, 1) 的 numpy 数组中重塑形状 (num_px、num_px、3) 的图像。在此之后，我们的训练（和测试）数据集是一个 numpy 数组，其中每一列代表一个扁平图像。应该有 m_train（分别为 m_test）列。
练习：重塑训练和测试数据集，以便将大小为 (num_px, num_px, 3) 的图像展平为形状为 (num_px ∗∗ num_px ∗∗ 3, 1).
当你想要将形状为 (a,b,c,d) 的矩阵 X 展平为形状为 (b∗∗c∗d, a) 的矩阵 X_flatten 时，一个技巧是使用:
X_flatten = X.reshape(X.shape[0], -1).T
(X.T is the transpose of X)
我无法理解为什么要这样给出参数？ 此外，在玩代码时，将“-1”更改为任何负整数，并没有改变输出。
我假设你正在使用 MNIST 数据集，所以你有 n 个大小为 mm3 的图像，让我们假设 n 为 100，m 为 8。所以你有 100 个大小为 8*8 的 RGB 图像（3 个通道），从而使您的数据形状为 100、8、8、3。现在您想要展平 100 张图像中的每一张，因此您可以循环遍历数据集，逐张展平它，或者您可以重塑它。
您决定通过以下方式重塑它：
X.reshape(X.shape[0], -1).T
让我们再解压一下，X.shape[0] 给你 100。shape 属性将 return 你一个 (100,8,8,3) 的元组，因为那是你的形状数据集，然后访问它的第 0 个元素，即 100，所以你得到
X.reshape(100, -1).T
那么它的作用是重塑数组但确保你仍然有 100 张图像，-1 表示你不关心结果将重塑成什么形状，所以它会自动推断从原始形状的形状。以前你有一个形状为 100、8、8、3 的 4 维数组，但现在你想将它重塑为一个二维数组，你指定 100 应该是形状的维度 0，所以 numpy 推断重塑它变成这样的二维形状，它必须将其展平，因此 100,883 是输出形状。
之后你只需转置它
此外，这就是 numpy 文档所说的
The new shape should be compatible with the original shape. If an integer, then the result will be a 1-D array of that length. One shape dimension can be -1. In this case, the value is inferred from the length of the array and remaining dimensions.