rank 1 array--shape:(n,)

「学习内容总结自吴恩达深度学习课程第一课第二周关于 Python/numpy 的内容」

1. 什么是rank 1 array

当创建神经网络的输入时，有时会使用下面的代码来创建行向量或者列向量，但其实这样创建的既不是行向量也不是列向量，它的形状为 (n,) ，这样一个畸形的数组称之为rank 1 array（秩为1的数组）。

In [2]: 
import numpy as np
a = np.random.randn(3)
print(a)
a.shape

[-0.1412539 0.60474391 1.17780835]
Out[2]: (3,)

2. 产生rank 1 array的情况

• 情况一：
  有时候在创建输入时不小心打错代码，也会创建出这样形状畸形的数组，所以创建数组的时候要注意检查“[ ]”符号的数量，如果只为一对的话，那就不小心创建了rank 1 array。

In [3]:
b = np.array([1,2,3])
print(b)
b.shape

[1 2 3]
Out[3]: (3,)

• 情况二：
  还有的时候，要导入大量的数据进行训练迭代，可能为了便于迭代会使用Python中的zip()函数压缩数据。在做udacity深度学习第一个项目的时候就会遇到这样的情况：

for X,y in zip(features，targets)

这里是把features和targets通过zip()函数压缩在一张表里，这样可以同时将X，y进行迭代。但这时就会不可避免的产生秩为1的数组。

zip()函数压缩数据的示例如下：

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

[[1 2 3]]
Out[1]: (1, 3)

In [6]: 
b = zip(a)
list(b)
Out[6]: [(array([1, 2, 3]),)]

• 情况三：
  下面这些切取数组的做法也会产生rank 1 array：

In [18]:
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
a.shape
Out[18]: (3, 3)

In [15]: a[2]
Out[15]: array([7, 8, 9])
In [20]: a[2].shape
Out[20]: (3,)

In [19]: a[2,:]
Out[19]: array([7, 8, 9])
In [21]: a[2,:].shape
Out[21]: (3,)

In [23]: a[1,:3]
Out[23]: array([4, 5, 6])
In [24]: a[1,:3].shape
Out[24]: (3,)

3. 产生rank 1 array后的解决方法

• 方法一：使用[:,None]或[None,:]来改变形状

In [2]: 
import numpy as np
a = np.array([1,2,3])
a.shape
Out[2]: (3,)

In [5]: 
a[None,:].shape
Out[5]: (1, 3)

In [6]: 
a[:,None].shape
Out[6]: (3, 1)

使用[:,None]是把列的数量增加一维，[None,:]则是把行的数量增加一维。

• 方法二：使用reshape方法改变形状
  Python中的reshape()是个十分好用的方法，在不确定数据形状的情况下，reshape一下是个很有必要的操作。Andrew Ng的建议是不要羞于使用reshape()，这能帮助我们避免产生bug。

In [8]: 
import numpy as np
a = np.array([1,2,3])
a
Out[8]: array([1, 2, 3])

In [11]:
 a.reshape(3,1)
Out[11]: array([[1],
                [2],
                [3]])

4. 避免出现rank 1 array 的做法

• 不要用a = np.random.randn(5)这种写法
• 使用上面的方法修改形状，不要羞于使用reshape()
• 必要的时候使用assert来确定形状是否与想要的结果一致

assert(a.shape == (1,3))