前言

shape函數是Numpy中的函數，它的功能是讀取矩陣的長度，比如shape[0]就是讀取矩陣第一維度的長度。

直接用.shape可以快速讀取矩陣的形狀，使用shape[0]讀取矩陣第一維度的長度。

.shape的使用方法

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

(2, 3)

shape[0]的使用方法

>>> import numpy as np
>>> x=np.array([[1,2,3],[4,5,6]])
>>> print(x.shape[0])
2

其實，我們可以發現:

>>> print(len(x))
2

shape[0]讀取矩陣第一維度的長度，即數組的行數。

shape[1]的使用方法

>>> print(x.shape[1])
3

是我們的數組的列數。

有時我們會遇到一種新的表示方法:shape[-1]

首先需要知道，對于二維張量，shape[0]代表行數，shape[1]代表列數，同理三維張量還有shape[2]

對于圖像來說：

image.shape[0]——圖片高

image.shape[1]——圖片長

image.shape[2]——圖片通道數

而對于矩陣來說：

shape[0]：表示矩陣的行數

shape[1]：表示矩陣的列數

一般來說，-1代表最后一個，所以shape[-1]代表最后一個維度，如在二維張量里，shape[-1]表示列數，注意，即使是一維行向量，shape[-1]表示行向量的元素總數，換言之也是列數：

我們還是舉上面的例子:

>>> print(x.shape[-1])
3

就是求得的列數。

附：需要注意的小細節

?然后就是，需要注意turple，list等沒有shape屬性，需要替換成張量tensor

?注意，即使是三維，由于shape[0]表示向量數，所以shape[1]是行數，那么shape[2]還是列數，所以shape[-1]最后一維還是列數

import torch
 
x = torch.tensor([[2, 3, 4, 3, 6, 8],
                 [1, 8, 9, 5, 0, 1],
                 [2, 0, 2, 2, 7, 1]])
print(x.shape[-1])

輸出是：6

6
?
Process finished with exit code 0

總結