shape（）含義

在筆者debug深度學(xué)習(xí)相關(guān)代碼的時(shí)候，很容易出現(xiàn)shape()這樣形式的東西，用來告知輸出數(shù)據(jù)的形式

由于shape（）里出現(xiàn)的數(shù)字?jǐn)?shù)量不同，還經(jīng)常有shape（？，64，512）這樣的數(shù)據(jù)存在

因此上網(wǎng)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(shù)組有1個(gè)，是2行3列的數(shù)組。每一個(gè)shape里的數(shù)字對(duì)應(yīng)數(shù)組中的一對(duì)中括號(hào)，第一個(gè)數(shù)字1表示最外層的中括號(hào)。以此類推，數(shù)字2表示第二層中括號(hào)，數(shù)字3表示最里層的中括號(hào)。如果定義array時(shí)去掉了最外層的括號(hào)那么輸出的shape為(2, 3)。

區(qū)分一維數(shù)組和二維數(shù)組

有幾個(gè)中括號(hào)就為幾維數(shù)組

因此在上文中，有三對(duì)中括號(hào)，是3維數(shù)組，shape（）中有3個(gè)數(shù)。

a = np.array([1,2])     #a.shape值(2,)，意思是一維數(shù)組，數(shù)組中有2個(gè)元素。
b = np.array([[1],[2]]) #b.shape值是(2,1)，意思是一個(gè)二維數(shù)組，每行有1個(gè)元素。
c = np.array([[1,2]])   #c.shape值是（1，2），意思是一個(gè)二維數(shù)組，每行有2個(gè)元素。

shape（）中“？”的含義

而在debug相關(guān)程序時(shí)，可能會(huì)出現(xiàn)shape(?,2,3)這便代表數(shù)組每一個(gè)都是2行3列的，前面這個(gè)“？”便代表批處理個(gè)數(shù)

若為1則有1個(gè)，為2則有兩個(gè)，但是在debug的時(shí)候不知道有幾個(gè)，所以以“？”的形式顯示。

shape（）中有四個(gè)數(shù)，第一個(gè)數(shù)表示時(shí)間序列（批處理數(shù)）

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()

而這里，shape（）中有四個(gè)數(shù)。第一個(gè)12代表就是時(shí)間序列，32，32，3指的是高，寬，通道數(shù)。

卷積操作使用TimeDistributed就相當(dāng)與這12個(gè)時(shí)間序列共享一個(gè)卷積層參數(shù)信息

無論時(shí)間序列值為多少，參數(shù)總量還是一定的。此處一共有896個(gè)參數(shù)，卷積核weights有3×3×3×32=864個(gè)，卷積核bias有32個(gè)。

附TimeDistributed解釋

關(guān)于TimeDistributed有一個(gè)比較通俗的示例解釋： 考慮一批32個(gè)樣本，其中每個(gè)樣本是一個(gè)由16個(gè)維度組成的10個(gè)向量的序列。該層的批輸入形狀然后(32, 10, 16)。

可以這么理解，輸入數(shù)據(jù)是一個(gè)特征方程，X1+X2+…+X10=Y，從矩陣的角度看，拿出未知數(shù)，就是10個(gè)向量，每個(gè)向量有16個(gè)維度，這16個(gè)維度是評(píng)價(jià)Y的16個(gè)特征方向。

TimeDistributed層的作用就是把Dense層應(yīng)用到這10個(gè)具體的向量上，對(duì)每一個(gè)向量進(jìn)行了一個(gè)Dense操作，假設(shè)是下面這段代碼：

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

輸出還是10個(gè)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(duì)多，多對(duì)多的能力，增加了模型的維度。

到此這篇關(guān)于Python中的shape()詳解的文章就介紹到這了,更多相關(guān)Python的shape()內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論