nparray.T.reshape(x，-1).reshape(-1)：这对nparray有什么影响？

Question

使用

>>> a.shape
(207, 155, 3)

这个numpy代码对numpy数组a做了什么？

a = a.T.reshape(self.channels,-1).reshape(-1)

Answer 1

>>> a.shape
(207, 155, 3)

我将假设a表示一幅大小为155×207像素的图像，每个像素有3个彩色通道：

>>> height, width, channels = a.shape

(请注意，这里我假设第一个轴是垂直的，第二个轴是水平的:请参见"多维数组索引顺序问题“以获得解释)。

>>> b = a.T
>>> b.shape
(3, 155, 207)

a.T返回转置数组。但实际上它不会以任何方式改变图像数据。NumPy数组有两个部分:包含原始数值数据的数据缓冲区和描述如何索引数据缓冲区的视图。当您重塑或转置数组时，NumPy将数据缓冲区单独放在一边，并创建一个新的视图来描述对相同数据进行索引的新方法。(请看这里有更详细的解释。)

因此，a使用三个轴(y、x、c)对图像进行索引，而b使用相同的三个轴以相反的顺序(c、x、y)索引相同的图像：

>>> x, y, c = 100, 200, 1
>>> a[y, x, c] == b[c, x, y]
True

第一次调用numpy.reshape

>>> c = b.reshape(3, -1)
>>> c.shape
(3, 32085)

将最后两个索引压平为一个(第三个索引变化最快)，因此c使用两个轴(c，x×height +y)对图像进行索引：

>>> a[y, x, c] == c[c, x * height + y]
True

第二次重塑：

>>> d = c.reshape(-1)
>>> d.shape
(96255,)

将剩下的两个索引压平为一个，以便d使用单轴((c×宽度)+ x)×高度+y对图像进行索引。

>>> a[y, x, c] == d[((c * width) + x) * height + y]
True

请注意，使用numpy.flatten只需一步就可以完成整个操作

>>> (a.flatten(order='F') == d).all()
True