为什么 3d 数组的打印结果与 python 中相同的心理可视化结果不同？

Question

我正在学习机器学习，但我没有太多编码经验。在尝试理解 3d 数组时，我被指示将 2x4x3 数组可视化为：

但是当我使用以下方法创建具有相同形状的随机数组时：

X = np.random.randint(10, size=(2, 4, 3))
print(X)

输出是

[[[6 1 0]
  [6 6 5]
  [2 7 0]
  [5 4 3]]

 [[7 8 2]
  [9 1 2]
  [2 0 1]
  [8 0 9]]]

对我来说，这看起来像 4x3x2。

我将 2x4x3 理解为上面给出的图像有错吗？为什么 python 打印这样的 3d 数组？最后，如果我的心理可视化是正确的，那么生成的随机值在图像中是如何排列的？

Answer 1

MATLAB/Octave 确实将此 3d 数组显示为 3 个 (2,4) 矩阵块

>> reshape(1:24,2, 4, 3)
ans =

ans(:,:,1) =

   1   3   5   7
   2   4   6   8

ans(:,:,2) =

    9   11   13   15
   10   12   14   16

ans(:,:,3) =

   17   19   21   23
   18   20   22   24

但这里的尾随维度是最外层的。这称为列专业或 Fortran 约定。注意值是如何增加的，沿着列向下。

但在 numpy 中，前导维度是最外层的。值跨行增加。这是行优先或 C 排序

In [22]: np.arange(1,25).reshape(2,4,3)                                         
Out[22]: 
array([[[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9],
        [10, 11, 12]],

       [[13, 14, 15],
        [16, 17, 18],
        [19, 20, 21],
        [22, 23, 24]]])

此维度排序与等效列表中的嵌套相匹配：

In [24]: np.arange(1,25).reshape(2,4,3).tolist()                                
Out[24]: 
[[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],
 [[13, 14, 15], [16, 17, 18], [19, 20, 21], [22, 23, 24]]]

维度的含义来自应用程序和用户，而不是来自 Python/numpy。图像通常是（高度、宽度、通道）。在计算上，将一个像素的通道的 3 个（或 4 个）元素保持在一起可能会很方便，也就是说，使其最后一个维度。因此，您的 (2,4,3) 可以被认为是具有 3 种颜色 (rgb) 的 (2,4) 图像。普通的numpy 打印并不是最好的可视化。

但如果图像是 (400, 600, 3) 形状，我们不想要数组的“打印”。我们想要一个绘图或图像显示，一张图片，将最后一个维度呈现为颜色。

Answer 2

它是 2×4×3。第一个维度是最外层。我们看到外部列表（见外部方括号）有两个元素：

[[[6, 1, 0],
  [6, 6, 5],
  [2, 7, 0],
  [5, 4, 3]],

 [[7, 8, 2],
  [9, 1, 2],
  [2, 0, 1],
  [8, 0, 9]]]

这些项目中的每一个都具有相同的尺寸：一个 4×3 矩阵。事实上，如果看一下列表的第一项，我们有：

[[6, 1, 0],
 [6, 6, 5],
 [2, 7, 0],
 [5, 4, 3]]

这里有四行，例如，如果我们看一下第一行，我们会看到一个包含三个元素的集合：

<b>[</b>6<b>,</b> 1<b>,</b> 0<b>]</b>