NumPy unsqueeze 输出详解：初学者友好指南

NumPy，作为 Python 中用于科学计算的核心库，提供了强大的多维数组对象以及各种操作数组的函数。unsqueeze (或者在一些版本中被称为 expand_dims) 是 NumPy 中一个非常重要的函数，它用于在数组的特定位置添加维度。对于初学者来说，理解 unsqueeze 的作用和用法至关重要，因为它能够帮助我们更好地处理和操纵数据，特别是在深度学习等领域。本文将深入探讨 NumPy 的 unsqueeze 函数，并通过大量的示例，为你提供一个初学者友好的指南。

1. 什么是维度？

在深入了解 unsqueeze 之前，我们需要理解什么是维度。可以把维度想象成数组的“方向”或者“轴”。一个标量（例如一个数字）是零维的，一个一维数组（例如一个列表或向量）有一个维度，一个二维数组（例如一个矩阵）有两个维度，以此类推。

• 0 维数组 (标量): 例如 5，它就是一个单独的数值。
• 1 维数组 (向量): 例如 [1, 2, 3]，它是一个包含三个元素的列表。
• 2 维数组 (矩阵): 例如 [[1, 2], [3, 4]]，它是一个包含两行两列的表格。
• 3 维数组 (张量): 你可以想象成一个包含多个矩阵的立方体。

2. 为什么需要 unsqueeze？

unsqueeze 的主要作用是增加数组的维度。这在很多场景下都非常有用，例如：

• 数据预处理： 在深度学习中，很多模型要求输入的数据具有特定的维度。例如，图像数据通常需要是四维的，表示为 (Batch Size, Channels, Height, Width)。如果你的数据只有三个维度 (例如 (Channels, Height, Width))，你就需要使用 unsqueeze 来添加一个维度表示 Batch Size。
• 广播机制： NumPy 的广播机制允许不同形状的数组进行运算。unsqueeze 可以用来调整数组的形状，以便更好地利用广播机制进行计算。
• 兼容性： 不同的库或函数可能要求输入数据的维度一致。unsqueeze 可以帮助你调整数据的维度，使其与其他函数或库兼容。
• 明确数据含义： 增加维度可以更清晰地表达数据的含义。例如，将一个表示单个图像的二维数组扩展为三维数组，其中第三个维度的大小为1，可以明确表示这是一个包含单个图像的数据集。

3. unsqueeze 的基本用法

在 NumPy 中，增加维度通常使用 np.expand_dims() 函数。它接收两个参数：

• a (array_like): 输入的数组。
• axis (int or tuple of ints): 指定插入新维度的位置。

axis 参数可以是单个整数，也可以是整数的元组。如果是单个整数，表示在指定的轴上插入一个新的维度。如果是整数的元组，表示在指定的多个轴上分别插入一个新的维度。

示例 1：在一维数组的开头添加维度

“`python
import numpy as np

arr = np.array([1, 2, 3])
print(“原始数组：”, arr)
print(“原始数组的形状：”, arr.shape) # 输出: (3,)

new_arr = np.expand_dims(arr, axis=0)
print(“使用 unsqueeze 后的数组：”, new_arr)
print(“使用 unsqueeze 后的数组的形状：”, new_arr.shape) # 输出: (1, 3)
“`

在这个例子中，axis=0 表示在数组的第 0 个轴（也就是最外层的轴）上插入一个新的维度。原始数组 arr 的形状是 (3,)，表示它是一个包含 3 个元素的一维数组。使用 unsqueeze 后，数组的形状变为 (1, 3)，表示它是一个包含 1 行和 3 列的二维数组。

示例 2：在一维数组的末尾添加维度

“`python
import numpy as np

arr = np.array([1, 2, 3])
print(“原始数组：”, arr)
print(“原始数组的形状：”, arr.shape) # 输出: (3,)

new_arr = np.expand_dims(arr, axis=1)
print(“使用 unsqueeze 后的数组：”, new_arr)
print(“使用 unsqueeze 后的数组的形状：”, new_arr.shape) # 输出: (3, 1)
“`

在这个例子中，axis=1 表示在数组的第 1 个轴（也就是最内层的轴）上插入一个新的维度。原始数组 arr 的形状是 (3,)，使用 unsqueeze 后，数组的形状变为 (3, 1)，表示它是一个包含 3 行和 1 列的二维数组。注意，由于原始数组只有一个维度，因此 axis=1 是有效的，它会在唯一的轴的末尾插入一个新维度。

示例 3：在二维数组中添加维度

“`python
import numpy as np

arr = np.array([[1, 2], [3, 4]])
print(“原始数组：”, arr)
print(“原始数组的形状：”, arr.shape) # 输出: (2, 2)

new_arr = np.expand_dims(arr, axis=0)
print(“使用 unsqueeze 后的数组：”, new_arr)
print(“使用 unsqueeze 后的数组的形状：”, new_arr.shape) # 输出: (1, 2, 2)
“`

在这个例子中，原始数组 arr 是一个形状为 (2, 2) 的二维数组。axis=0 表示在最外层的轴上插入一个新的维度。因此，使用 unsqueeze 后，数组的形状变为 (1, 2, 2)，表示它是一个包含 1 个 2×2 矩阵的三维数组。

示例 4：在二维数组的中间添加维度

“`python
import numpy as np

arr = np.array([[1, 2], [3, 4]])
print(“原始数组：”, arr)
print(“原始数组的形状：”, arr.shape) # 输出: (2, 2)

new_arr = np.expand_dims(arr, axis=1)
print(“使用 unsqueeze 后的数组：”, new_arr)
print(“使用 unsqueeze 后的数组的形状：”, new_arr.shape) # 输出: (2, 1, 2)
“`

在这个例子中，原始数组 arr 是一个形状为 (2, 2) 的二维数组。axis=1 表示在第一个轴（也就是行轴）之后插入一个新的维度。因此，使用 unsqueeze 后，数组的形状变为 (2, 1, 2)，表示它是一个三维数组，其中每个元素都是一个包含单元素的 2×1 矩阵。

示例 5：使用负数索引指定 axis

axis 参数也可以使用负数索引，表示从数组的末尾开始计数。例如，axis=-1 表示最后一个轴，axis=-2 表示倒数第二个轴，以此类推。

“`python
import numpy as np

arr = np.array([[1, 2], [3, 4]])
print(“原始数组：”, arr)
print(“原始数组的形状：”, arr.shape) # 输出: (2, 2)

new_arr = np.expand_dims(arr, axis=-1)
print(“使用 unsqueeze 后的数组：”, new_arr)
print(“使用 unsqueeze 后的数组的形状：”, new_arr.shape) # 输出: (2, 2, 1)
“`

在这个例子中，axis=-1 表示在最后一个轴（也就是列轴）之后插入一个新的维度。因此，使用 unsqueeze 后，数组的形状变为 (2, 2, 1)，表示它是一个三维数组，其中每个元素都是一个包含单元素的 1×1 矩阵。

示例 6：使用元组指定多个 axis

axis 参数可以是一个整数元组，表示在多个轴上同时插入新的维度。

“`python
import numpy as np

arr = np.array([1, 2, 3])
print(“原始数组：”, arr)
print(“原始数组的形状：”, arr.shape) # 输出: (3,)

new_arr = np.expand_dims(arr, axis=(0, 2))
print(“使用 unsqueeze 后的数组：”, new_arr)
print(“使用 unsqueeze 后的数组的形状：”, new_arr.shape) # 输出: (1, 3, 1)
“`

在这个例子中，axis=(0, 2) 表示分别在第 0 个轴和第 2 个轴上插入新的维度。原始数组 arr 的形状是 (3,)，使用 unsqueeze 后，数组的形状变为 (1, 3, 1)。

4. unsqueeze 与 reshape 的区别

你可能会想，unsqueeze 的作用是否可以用 reshape 函数来实现？虽然 reshape 也能改变数组的形状，但它与 unsqueeze 有着本质的区别：

• unsqueeze 增加维度： unsqueeze 只是在指定的轴上添加维度，不会改变数组中元素的数量。
• reshape 改变形状： reshape 可以改变数组的形状，但必须保证数组中元素的总数不变。

举个例子，如果你的数组形状是 (3,)，你想将其变为 (1, 3)，可以使用 unsqueeze 或 reshape。但是，如果你的数组形状是 (3,)，你想将其变为 (3, 1)，你既可以使用 unsqueeze(arr, axis=1)，也可以使用 reshape(arr, (3, 1))。但是, 如果你的数组形状是 (3,), 你想将其变为 (1, 1, 3), 你只能使用 np.expand_dims(np.expand_dims(arr, axis=0), axis=2)或者 np.expand_dims(arr, axis=(0,2))，而不能使用reshape直接做到。

“`python
import numpy as np

arr = np.array([1, 2, 3])
print(“原始数组：”, arr)
print(“原始数组的形状：”, arr.shape)

使用 unsqueeze

new_arr_unsqueeze = np.expand_dims(arr, axis=0)
print(“使用 unsqueeze 后的数组：”, new_arr_unsqueeze)
print(“使用 unsqueeze 后的数组的形状：”, new_arr_unsqueeze.shape)

使用 reshape

new_arr_reshape = arr.reshape((1, 3))
print(“使用 reshape 后的数组：”, new_arr_reshape)
print(“使用 reshape 后的数组的形状：”, new_arr_reshape.shape)

尝试使用 reshape 增加元素个数

报错：ValueError: cannot reshape array of size 3 into shape (1, 4)

new_arr_reshape_error = arr.reshape((1, 4))

“`

总结

unsqueeze (或 expand_dims) 是 NumPy 中一个非常有用的函数，用于在数组的特定位置添加维度。理解 unsqueeze 的作用和用法，可以帮助我们更好地处理和操纵数据，特别是在需要满足特定维度要求的场景下，例如深度学习中的数据预处理。 掌握 unsqueeze，能够使你写出更健壮，更清晰，更高效的 NumPy 代码。希望本文的详细解释和示例能够帮助你理解并熟练运用 unsqueeze 函数。

通过学习以上内容，你应该对 NumPy 的 unsqueeze 函数有了较为全面的理解。 现在你可以尝试在自己的项目中运用 unsqueeze，相信你会发现它的强大之处。 祝你学习愉快！