点击查看代码
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
print(a.shape[0]) # 读取行数 4
print(a.shape[1]) # 读取列数 3
print(a.shape) # 读取行、列数 (4,3)
点击查看代码
import numpy as np
# 在keras中，数据是以张量的形式表示的，不考虑动态特性，仅考虑shape的时候，可以把张量用类似矩阵的方式来理解。
a = np.array([[1], [2], [3]])
b = np.array([ [ [1,2],[3,4] ],[ [5,6],[7,8] ],[ [9,10],[11,12] ] ])
c = np.array([1, 2, 3, 4])
print(c.shape) # 这个张量的shape为 (4, ) 由浅入深，开始四个元素，这4个元素里面0个元素
print(a.shape) # 这个张量的shape为 (3, 1) 由浅入深，开始3个元素，这3个元素里面，每个元素又有1个元素
print(b.shape) # 这个张量的shape为 (3, 2, 2) 由浅入深，开始3个元素，这3个元素里面，每个元素又有2个元素，这2个元素里面还有2个元素
点击查看代码
import numpy as np
A = np.array([1, 2, 3, 4])
B = np.array([[1, 1], [2, 2], [3, 3], [4, 4]])
x1 = np.ndim(A) # 数组维数 1
y1 = np.ndim(B) # 数组维数 2
x2 = A.shape # 数组形状，返回元组(行数，列数，...) (4,)
y2 = B.shape # 数组形状，返回元组(行数，列数，...) (4,2)
x3 = A.shape[0] # 数组行数 4
y3 = B.shape[0] # 数组行数 4
# x4 = A.shape[1] # 数组列数 这里A只有一维
y4 = B.shape[1] # 数组列数 2
print(x1)
print(y1)
print(x2)
print(y2)
print(x3)
print(y3)
# print(x4)
print(y4)
点击查看代码
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(np.dot(A, B)) # 矩阵乘法
