在机器学习以及深度学习的任务中，通常需要将处理好的数据以模型能接收的格式输入给模型，然后由模型通过一系列的运算，最终返回一个处理结果。然而，由于不同模型所接收的输入格式不一样，往往需要先对其进行一系列的变形和运算，从而将数据处理成符合模型要求的格式。

在矩阵或者数组的运算中，经常会遇到需要把多个向量或矩阵按某轴方向合并，或展平(如在卷积或循环神经网络中，在全连接层之前，需要把矩阵展平)的情况。下面介绍几种常用的数组变形方法。

修改指定数组的形状是 NumPy 中最常见的操作之一，常见的方法有很多，下表列出了一些常用函数和属性。

表1：Numpy 中改变向量形状的一些函数和属性

函数/属性

描述

arr.reshape()

重新将向量 arr 维度进行改变，不修改向量本身

arr.resize()

重新将向量 arr 维度进行改变，修改向量本身

arr.T

对向量 arr 进行转置

arr.ravel()

对向量 arr 进行展平，即将多维数组变成1维数组，不会产生原数组的副本

arr.flatten()

对向量 arr 进行展平，即将多维数组变成1维数组，返回原数组的副本

arr.squeeze()

只能对维数为1的维度降维。对多维数组使用时不会报错，但是不会产生任何影响

arr.transpose()

对高维矩阵进行轴对换

下面来看一些示例。

reshape() 函数

reshape() 函数用来改变向量的维度(不修改向量本身)，请看下面的代码：

import numpy as np

arr =np.arange(10)

print(arr)

# 将向量 arr 维度变换为2行5列

print(arr.reshape(2, 5))

# 指定维度时可以只指定行数或列数, 其他用 -1 代替

print(arr.reshape(5, -1))

print(arr.reshape(-1, 5))

输出结果：

[0 1 2 3 4 5 6 7 8 9]

[[0 1 2 3 4]

[5 6 7 8 9]]

[[0 1]

[2 3]

[4 5]

[6 7]

[8 9]]

[[0 1 2 3 4]

[5 6 7 8 9]]

值得注意的是，reshape() 函数不支持指定行数或列数，所以 -1 在这里是必要的。且所指定的行数或列数一定要能被整除，例如上面代码如果修改为 arr.reshape(3,-1) 即为错误的。

resize() 函数

resize() 函数用来改变向量的维度(修改向量本身)，请看下面的代码：

import numpy as np

arr =np.arange(10)

print(arr)

# 将向量 arr 维度变换为2行5列

arr.resize(2, 5)

print(arr)

输出结果：

[0 1 2 3 4 5 6 7 8 9]

[[0 1 2 3 4]

[5 6 7 8 9]]

T 属性

T 属性用来对向量进行转置，请看下面的的代码：

import numpy as np

arr =np.arange(12).reshape(3,4)

# 向量 arr 为3行4列

print(arr)

# 将向量 arr 进行转置为4行3列

print(arr.T)

输出结果：

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

[[ 0 4 8]

[ 1 5 9]

[ 2 6 10]

[ 3 7 11]]

ravel() 函数

ravel() 函数用于向量展平，请看下面的代码：

import numpy as np

arr =np.arange(6).reshape(2, -1)

print(arr)

# 按照列优先, 展平

print("按照列优先, 展平")

print(arr.ravel('F'))

# 按照行优先, 展平

print("按照行优先, 展平")

print(arr.ravel())

输出结果：

[[0 1 2]

[3 4 5]]

按照列优先，展平

[0 3 1 4 2 5]

按照行优先，展平

[0 1 2 3 4 5]

flatten() 函数

flatten() 函数用来把矩阵转换为向量，这种需求经常出现在卷积网络与全连接层之间。

请看下面的代码：

import numpy as np

a =np.floor(10*np.random.random((3,4)))

print(a)

print(a.flatten())

输出结果：

[[4. 0. 8. 5.]

[1. 0. 4. 8.]

[8. 2. 3. 7.]]

[4. 0. 8. 5. 1. 0. 4. 8. 8. 2. 3. 7.]

squeeze() 函数

这是一个主要用来降维的函数，把矩阵中含1的维度去掉，请看下面的代码：

import numpy as np

arr =np.arange(3).reshape(3, 1)

print(arr.shape) #(3,1)

print(arr.squeeze().shape) #(3,)

arr1 =np.arange(6).reshape(3,1,2,1)

print(arr1.shape) #(3, 1, 2, 1)

print(arr1.squeeze().shape) #(3, 2)

transpose() 函数

对高维矩阵进行轴对换，这个在深度学习中经常使用，比如把图片中表示颜色顺序的 RGB 改为 GBR。

请看下面的代码：

import numpy as np

arr2 = np.arange(24).reshape(2,3,4)

print(arr2.shape) #(2, 3, 4)

print(arr2.transpose(1,2,0).shape) #(3, 4, 2)