文章目录

ndarray的base和strides属性
- base
- strides
reshape
transpose
总结

reshape和transpose都是非常高效的算子，究其原因，是因为二者均没有在内存中重新排列数据，只是对数据的shape或strides等信息进行了改变。下面分别简介。

ndarray的base和strides属性

为了更好地理解reshape和transpose算子，需要对ndarray的shape, base, strides三个属性有所了解，其中shape很容易理解，就不多说了，下面简单介绍一下base和strides。

base

base参考：https://numpy.org/doc/stable/reference/generated/numpy.ndarray.base.html

如果一个ndarray是通过其他ndarray经过某种操作创建出来的，那么其base就会指向最初的源头。
比如下面例子中，a是b, c的源头，所以b.base 和 c.base 都等于a，而a本身没有base，所以是None。

import numpy as npa = np.array([0, 1, 2, 3, 4, 5])
print(a)  # ==> [0 1 2 3 4 5]
print(a.base)  # ==> Noneb = a.reshape([2, 3])
print(b)  # ==>
# [[0 1 2]
#  [3 4 5]]
print(b.base)  # ==> [0 1 2 3 4 5]c = b.transpose([1, 0])
print(c)  # ==>
# [[0 3]
#  [1 4]
#  [2 5]]
print(c.base)  # ==> [0 1 2 3 4 5]

strides

strides参考：https://numpy.org/doc/stable/reference/generated/numpy.ndarray.strides.html

ndarray的每一个维度（axis）都有一个strides，表示从数组在某个维度进行遍历的内存偏移量。

比如在下面的例子中，数组a三个维度的strides分别是(48, 16, 4)，意思是：

从a[0, 0, 0]到a[0, 0, 1] = 1的内存偏移量是4字节，1个int型数字是4字节
从a[0, 0, 0]到a[0, 1, 0] = 4的内存偏移量是16字节，因为需要偏移4个int型数字
从a[0, 0, 0]到a[1, 0, 0] = 12的内存偏移量是48字节，因为需要偏移12个int型数字

import numpy as npa = np.arange(24).reshape([2, 3, 4])print(a.strides)  # ==> (48, 16, 4)
print(a)  # ==>
# [[[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
#
#  [[12 13 14 15]
#   [16 17 18 19]
#   [20 21 22 23]]]

reshape

reshape仅仅只是改变了数组的shape属性，比如把shape从(4,)(4,)(4,)改成(2,2)(2,2)(2,2)。通过下面的测试代码，可以明白reshape的下列性质：

如果我们从最后一个维度开始，依次向前循环打印数组的话，会发现无论怎么样reshape，数组打印的顺序不会发生任何变化。也就是说无论reshape多少次，数组打印顺序不变。
类似于python的浅拷贝，reshape之后，尽管变量发生了变化，但是变量内的数据体却未被碰过。下面列子中，改变reshape后的b的第一个值，发现所有相关的变量的第一个值都发生了变化，所以就可以知道，经reshape后，变量用于保存数据的那块内存没有被碰过。

import numpy as npa = np.arange(4)  # a = torch.arange(4)
print(a)  # ==> [0 1 2 3]
print(a.shape)  # ==> (4,)b = a.reshape([2, 2])  # b = a.reshape([2, 2])
print(b)  # ==> [[0 1], [2 3]]
print(b.shape)  # ==> (2, 2)c = b.reshape([-1])  # c = torch.reshape(b, [-1])
print(c)  # ==> [0 1 2 3]b[0, 0] = 100
print(a)  # ==> [100   1   2   3]
print(b)  # ==> [[100 1], [2 3]]
print(c)  # ==> [100   1   2   3]

transpose

transpose改变了数组的维度（axis）排列顺序。比如对于二维数组，如果我们把两个维度的顺序互换，那就是我们很熟悉的矩阵转置。而transpose可以在更多维度的情况下生效。transpose的入参是输出数组的维度排列顺序，序号从0开始计数。

下面例子中我们改变了transpose后的b的第一个元素的值，发现a也随之改变，说明transpose也没有去碰数组的内存。那么问题来了，既然数组没有在内存中重新排列，那么打印顺序是受什么影响而发生了改变呢？是strides。

import numpy as npa = np.arange(24).reshape([2, 3, 4])
print(a.base)  # ==>
# [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]print(a.shape)  # ==> (2, 3, 4)
print(a.strides)  # ==> (48, 16, 4)
print(a)  # ==>
# [[[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
#
#  [[12 13 14 15]
#   [16 17 18 19]
#   [20 21 22 23]]]b = a.transpose([1, 2, 0])
print(b.shape)  # ==>(3, 4, 2)
print(b.strides)  # ==> (16, 4, 48)
print(b)  # ==>
# [[[ 0 12]
#   [ 1 13]
#   [ 2 14]
#   [ 3 15]]
#
#  [[ 4 16]
#   [ 5 17]
#   [ 6 18]
#   [ 7 19]]
#
#  [[ 8 20]
#   [ 9 21]
#   [10 22]
#   [11 23]]]b[0, 0, 0] = 100
print(a)  # ==>
# [[[100   1   2   3]
#   [  4   5   6   7]
#   ...]]]print(b)  # ==>
# [[[100  12]
#   [  1  13]
#   ...]]]

下面图示一下strides的含义。

首先明确一个很重要的概念，strides都是相对于base数组而言进行遍历的，所以无论是a还是b，遍历时需要参考的源头都是a.base / b.base，也就是最上面的一维数组。

数组a的strides情况我们前面已经讲过了，接下来主要看看b。

由于b.strides最后一个维度的值是48，所以b[0, 0, 1]是b[0, 0, 0]在b.base中偏移48字节后的数字，也就是12。
b.strides中间维度的值是4，所以b[0, 1, 0]是b[0, 0, 0]在b.base中偏移4字节后的数字，也就是1。
b.strides第一个维度的值是16，所以b[1, 0, 0]是b[0, 0, 0]在b.base中偏移16字节后的数字，也就是4。

所以ranspose操作只是改变了strides的顺序，没有重新排列内存中的数据。

总结

前面我们在解释reshape和transpose的机制时，分别从ndarray的shape和strides属性进行了侧重解释。实际上reshape既改变shape也改变strides，而transpose也可能会改变shape。

但这两个算子均不会在内存中重新排列数据。

numpy的reshape和transpose机制解释相关推荐

numpy reshape和transpose的使用
numpy reshape和transpose的使用不熟悉numpy的时候,看到别人代码中的reshape和transpose不太懂,这里转载一下别人的解释,很强! Python numpy.tra ...
Numpy和Opencv中的reshape 和 transpose的区别
Numpy和Opencv中的reshape 和 transpose的区别在Numpy和Opencv中,都有两个函数:reshape 和 transpose. 该两个函数都具有改变维度的作用,在使用中 ...
Python精讲Numpy基础，大牛笔记详细解释
https://www.toutiao.com/a6664936105076326920/ 总认为Numpy是渣渣,直到深入接触以后才知道功能这么强大.堪比Matlab啊.果然是人生苦短,我用Pyth ...
numpy中的转置Transpose和.T以及轴对换swapaxis
简介: 本文对于 numpy中的转置Transpose和.T以及轴对换swapaxis 中关于numpy矩阵的轴交换函数进行了测试.并对于深度学习中的图像数据进行处理. 参考文章:https://b ...
matlab imcrop 对应python函数_Python精讲Numpy基础，大牛笔记详细解释
总认为Numpy是渣渣,直到深入接触以后才知道功能这么强大.堪比Matlab啊.果然是人生苦短,我用Python.所以本文作为一个记录&笔记,文章内容大多数取自网络以&官网快速入门等, ...
pythonnumpy详解_Python精讲Numpy基础，大牛笔记详细解释
以前总认为Numpy是渣渣,直到深入接触以后才知道功能这么强大.堪比Matlab啊.果然是人生苦短,我用Python.所以本文作为一个记录&笔记,文章内容大多数取自网络以&官网快速入门 ...
利用Python中的numpy.ndarray.reshape()对阵列形状进行调整
我们在进行阵列运算的时候,常常要根据需要调整阵列的形状,numpy库中的函数reshape()可以方便地实现对阵列形状进行调整. 其函数原型如下: dst = numpy.ndarray.reshap ...
numpy中reshape方法详解
numpy中reshape方法详解_zhanggonglalala的博客-CSDN博客_reshape
pythonreshape函数三个参数_Python Numpy中reshape函数参数-1的含义
python numpy中reshape函数参数-1的含义,新数组的shape属性应该要与原来数组的一致,即新数组元素数量与原数组元素数量要相等.一个参数为-1时,那么reshape函数会根据另一个参 ...

numpy的reshape和transpose机制解释