Python Numpy：乘以1的向量

我目前正在学习计算机科学教科书中的一些概念。线性代数被大量使用，他们在教科书中展示的例子都使用Numpy

特别是一个表达让我完全困惑，因为它似乎是一个完全无用的表达。从课本上一字不差地抄下来，上面写着：

normalisers=sum（exp（输出），axis=1）*one（1，shape（输出）[0]）

因此，为了简化，我将删除

exp

（它与此处的问题无关），这为我们提供了：

sum（输出，轴=1）*one（（1，形状（输出）[0]））

其中，

输出

是一个二维Numpy

数组

（矩阵）

据我所知，这只是将

输出

矩阵中的所有行相加，然后将得到的向量元素乘以所有1的向量。所以这里乘以所有的1有什么意义？它根本不会改变这些值

---

这是教科书中的一个错误，还是我只是没有看到乘以所有的1可能会对这里的值产生任何影响？在这一点上，我只是对Numpy有点熟悉，所以我不确定我是否只是误解了这个表达式的一些含义。

正如mutzmatron在评论中所写的那样，当

输出

是一个数组时，这种乘法是一种非常人为的方法，可以将

求和

的结果的形状从

（n，）

至

（1，n）

。快速且惯用的方法是

sum(exp(outputs), axis=1).reshape(1, -1)

与教科书中的方式不同，这既可读又可扩展，因为

重塑

需要恒定的时间和内存，而不是线性的时间和内存

但是，如果

输出

不是数组而是可怕类型的对象

np.matrix

，则结果完全不同：

>>> outputs = np.matrix(outputs)
>>> (sum(exp(outputs), axis=1) * ones((1,shape(outputs)[0]))).shape
(10, 10)

---

（但这仍然是一种表达不同操作的人为方式。）

正如mutzmatron在评论中所写，当

输出

是一个数组时，这种乘法是一种高度人为的方式，可以将

求和结果的形状从
（n，）
更改为
（1，n）
。快速且惯用的方法是

sum(exp(outputs), axis=1).reshape(1, -1)

与教科书中的方式不同，这既可读又可扩展，因为
重塑
需要恒定的时间和内存，而不是线性的时间和内存

但是，如果
输出
不是数组而是可怕类型的对象
np.matrix
，则结果完全不同：

>>> outputs = np.matrix(outputs)
>>> (sum(exp(outputs), axis=1) * ones((1,shape(outputs)[0]))).shape
(10, 10)

（但这仍然是一种表达不同操作的人为方式。）
这会将结果从（dim，）向量更改为（1，dim）矩阵吗。。？虽然不可否认我不会这样做！我想它以后会有所不同，一个矩阵是（n，）还是（1，n）大小…这会把（dim，）向量的结果变成（1，dim）矩阵吗。。？虽然不可否认我不会这样做！我认为它以后会有所不同，无论矩阵是（n，）还是（1，n）大小。。。