不论是用numpy或者是tensorflow，在机器学习的过程中常常会用到[]来提取array中的元素，但是再找了很多的资源之后发现并没有比较好的解释
我在尝试之后给出list[]的用法和解析，希望能帮到大家
list1 = np.arange(24).reshape([2,3,4]) ‘'‘ [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] '‘'
在array中取到了位置[a,b,c]的元素，不多做解释。
print(list1[1,1,1]) # 17
只有：时，代表取某一维度的全部元素
：前后有数字时，相当于把那维当做一个list，1：3就代表取索引1，2的元素
其中的关系给出两个例子，大家可以思考其中的原理
print(list1[:,:,1]) # 代表取出前两个维度的所有元素，只要第三维度的1索引元素 ‘'‘ [[ 1 5 9] [13 17 21]] '‘' print(list1[:,1:3,-1]) # 取出第一个维度所有元素，第二个维度的索引1和2的元素，第三个维度倒数第一个的元素 ''' [[ 7 11] [19 23]] '''
None是用来增加维度的，在哪里出现就给哪里增加1维
print(list1) print(list1[None]) # 相当于在最前面增加一维 print(list1[None].shape) ''' [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] [[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]] (null, 2, 3, 4) ''' print(list1) print(list1[:,:,None]) print(list1[:,:,None].shape) ‘'‘ [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] [[[[ 0 1 2 3]] [[ 4 5 6 7]] [[ 8 9 10 11]]] [[[12 13 14 15]] [[16 17 18 19]] [[20 21 22 23]]]] (null, 3, 1, 4) '‘'
None的作用于np.newaxis的作用是一样的
下面给出一个例子，大家可以体会一下：
print(list1) print(list1[None,]) print(list1[None,].shape) print(list1[np.newaxis,:]) print(list1[np.newaxis,:].shape) ‘'‘ [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] [[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]] (null, 2, 3, 4) [[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]] (null, 2, 3, 4) '‘'
以上为个人经验，希望对您有所帮助。
