Python 为什么在矩阵X上使用重塑函数时使用（X.shape[0]，-1）作为参数？

在学习

deeplearning.ai

课程时，我需要立即使用

numpy.reformate（）

。然而，在这样做的同时，我在课程笔记本中得到指示，要以一种特定的方式来做。 目的是将四维向量转换为二维向量

// 说明：

为了方便起见，现在应该在shape

（num\u px）的numpy数组中重塑shape（num\u px，num\u px，3）的图像∗∗ num_px∗∗ 3、1）

。在此之后，我们的训练（和测试）数据集是一个numpy数组，其中每列表示一个展平的图像。应该有m_列（分别为m_测试）列

练习：重塑训练和测试数据集，以便将大小

（num_px，num_px，3）

的图像展平为形状

（num_px）的单个向量∗∗ num_px∗∗ 3、1）

当你想将形状为（A，b，c，d）的矩阵X展平为形状为（b）的矩阵X_展平时的技巧∗∗C∗∗d、 a）使用：

X_flatten = X.reshape(X.shape[0], -1).T  


(X.T is the transpose of X)

我无法理解为什么参数是这样给出的？

---

另外，在处理代码时，将“-1”更改为任何负整数都不会更改输出

我假设您使用的是MNIST数据集，因此您有n个大小为m*m*3的图像。让我们假设n到100，m到8。因此，您有100个大小为8*8的RGB图像（3个通道），从而使您的数据形状为100,8,8,3。现在，您想展平100幅图像中的每一幅，这样您可以循环遍历数据集，一幅一幅地展平它，也可以对其进行重塑

您决定通过以下方式对其进行重塑：

X.reshape(X.shape[0], -1).T

让我们把它再解压缩一点，

X.shape[0]

将为您提供100。shape将返回一个元组（100,8,8,3），因为这是数据集的形状，您可以访问它的第0个元素，即100，因此

X.reshape(100, -1).T

这样做的目的是重塑阵列，但确保仍有100个图像，-1表示您不关心结果将重塑为什么形状，因此它会自动从原始形状推断形状。以前您有一个形状为100,8,8,3的四维数组，但现在您要将其重塑为二维数组，您指定100应该是形状的维度0，因此numpy推断，要将其重塑为这样的二维形状，必须将其展平，因此100,8*8*3是输出形状

在那之后，你只需将它转置

另外，这也是numpy文档中的说明

新形状应与原始形状兼容。如果 整数，则结果将是该长度的一维数组。一个形状 维度可以是-1。在本例中，该值是从 数组的长度和剩余维度