numy中np.expand_dims方法的理解？

woff

這個東西的主要作用，就是增加一個維度。

現在我們假設有一個數組A，數組A是一個兩行三列的矩陣。大小我們記成（2,3）。

先明白一個常識，計算機中計數，一般是從0開始的。

所以（2,3）這個兩行三列的矩陣，

它的第“0”維，就是這個“2”行；第“1”維，就是這個“3”列。

這個函數的作用，就是在第“axis”維，加一個維度出來，原先的“維”，推到右邊去。

比如我們設置axis為0，那A矩陣的大小就變成了（1,2,3），就從2*3的二維矩陣變成了一個1*2 *3的三維矩陣。如果設置axis為1，矩陣大小就變成了（2,1,3），變成了一個2*1*3的三維矩陣。axis為2的時候，就變成（2,3,1)啦。

那麼，說了這麼多，矩陣的形式變了，那麼矩陣裡面的數字怎麼變的呢？


舉個例子：

假設現在矩陣是2*3的矩陣，六個數字

1 2 3

4 5 6

初中和高中所學的平面直角坐標系和空間直角坐標系還記得嗎？

我們設置axis為0，矩陣從2*3的二維矩陣變成了1 * 2*3的三維矩陣。

我們假設原來是一個二維平面，橫坐標為x，縱坐標為y, 2*3的矩陣在這個XOY平面上。此時就是一個二維矩陣，（根本就沒有z軸）

而變換以後，現在變成了三維矩陣，變成了一個空間直角坐標系，，有x，y，z三個軸。

原先的2*3的矩陣從XOY平面移動到了YOZ平面

（我們把原先的矩陣當成一個平攤在桌面上的紙片，變換以後，相當於給它立起來了），然後原先的X軸的“厚度”為1，此時雖然形式還是原來的數字，但是多了一個軸。


那如果設置axis為1呢？

就是從XOY面的矩陣，給它立起來到XOZ平面，在Y軸的厚度為1。

設置axis為2，就是從XOY面的矩陣，還是放在XOY面上。但是這時候多了一個z軸，（相當於這個操作之後可以在桌面的紙片上面，疊加新的紙片了）

——————————————————————————————————

這時候我們再看矩陣

1 2 3

4 5 6

原先A[0][0]對應1,A[0][1]對應2,A[0][2]對應3,A[1][0]對應4……

如果設置axis為0，這時候矩陣從XOY平面移動到了YOZ平面，X軸只有一個值

那麼,變換後的矩陣A'的第一個維度，只有一個值，就只能是0

A'[0][0][0]是1，A[0][0][1]是2，A[0][0][2]是3

A'[0][1][0]是4，A[0][1][1]是5，A[0][1][2]是6

A'[0][0]不指定第三維，那麼就是[1,2,3]

A'[0][1]不指定第三維，就是[4,5,6]

那A[1][0][0]……呢？不好意思，沒有，因為第一維只能取一個數，就是0。

axis為1,2都同理。

函數格式如下：

1. np.expand_dims(array, axis)

複製代碼

首先，我們需要理解axis（https:// blog.csdn.net/qq_358603 52/article/details/80463111）的意義，當axis=0時，我們從最外面的括號開始看，axis=0是最高維度，axis=1就是從左至右第二個括號所包含的內容，以此類推。

從例子理解：

1.我們先來看一維數組, axis = 0, 1, 2的情況

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

複製代碼

那麼，

（1）當axis = 0 時，我們從最高維擴展數組（增加它的維度），就給它在最外面再添個括號就可以啦。所以，

1. b = np.expand_dims(a, axis=0)
   
2. b = [[1, 2, 3]]
   
3. b.shape = (1, 3)

複製代碼

shape（1，3）表示從左至右（從高維到低維：axis = 0 , 1）所包含內容的情況，axis = 0（最外面的括號）只包含一個內容：[1, 2, 3]; axis = 1（第二個括號）裡包含三個內容：1, 2，3。

（2）當axis = 1 時， 只有第0維有括號，所以當axis = 1就是給裡面的數加括號啦

1. c = np.expand_dims(a, axis=1)
   
2. c = [[1], [2], [3]]
   
3. c.shape = (3, 1)

複製代碼

（3）當axis = 2時，我們可以發現，我們沒有地方加括號，所以它還是和axis=1的情況一樣。並且程序會提示：（以後會報錯）

DeprecationWarning: Both axis > a.ndim and axis < -a.ndim - 1 are deprecated and will raise an AxisError in the future.
————————————————————

2.我們再來看二維數組, axis = 0, 1, 2的情況

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

複製代碼

那麼，

（1）當axis = 0 時，我們從最高維擴展數組（增加它的維度），就給它在最外面再添個括號就可以啦。所以，

1. b = np.expand_dims(a, axis=0)
   
2. b = [[[1, 2, 3], [4, 5, 6]]]
   
3. b.shape = (1, 2, 3)

複製代碼

shape（1, 2, 3）表示從左至右（從高維到低維：axis = 0 , 1, 2）所包含內容的情況，axis = 0（最外面的括號）只包含1個內容：[[1, 2, 3], [4, 5, 6]]; axis = 1（第二個括號）裡包含2個內容：[1, 2, 3], [4, 5, 6]。axis = 3（第三個括號）裡包含3個內容：1， 2， 3；或4，5， 6

（2）當axis = 1 時，就是給第二個括號再加一個括號啦

1. c = np.expand_dims(a, axis=1)
   
2. c = [[[1, 2, 3]], [[4, 5, 6]]]
   
3. c.shape = (2, 1, 3)

複製代碼

（3）當axis = 2 時，就是給最裡面的數加一個括號。

1. d = np.expand_dims(a, axis=2)
   
2. d = [[[1], [2], [3]], [[4], [5], [6]]]
   
3. d.shape = (2, 3, 1)

複製代碼

參考文章
https://www.zhihu.com/question/265545749