面向深度学习初学者的 NumPy ndarray 基础：array、dtype、shape、reshape、astype

1. 为什么从 ndarray 开始？

Commandbox 광고

在深度学习中，你会频繁看到以下代码片段。

  • 检查输入张量的 shape
  • 为批处理使用 reshape
  • 为 GPU 运算将数据转换为 float32 …

所有这些操作的“根源”就是 NumPy 的 ndarray。

  • PyTorch 的 Tensor 基本上是 几乎完全复制 NumPy ndarray 的结构
  • 深度学习模型的输入、权重、输出全都是 多维数组（即张量）

因此，深入理解 ndarray 就等同于掌握张量运算的基本语法。

2. ndarray 是什么？

ndarray 是 N‑dimensional array 的缩写，意为 “N 维数组”。

  • 1 维：向量
  • 2 维：矩阵
  • 3 维及以上：张量（如图像批、时序数据、视频等）

简单示例：

import numpy as np

x = np.array([1, 2, 3])            # 1 维（向量）
M = np.array([[1, 2], [3, 4]])     # 2 维（矩阵）

print(type(x))          # <class 'numpy.ndarray'>
print(x.ndim, x.shape)  # 维数，形状
print(M.ndim, M.shape)
  • ndim：维数
  • shape：各维度的大小

3. PyTorch Tensor 与 ndarray 的相似度

Commandbox 광고

PyTorch 张量最终也是 “多维数组”。

import torch

x_np = np.array([[1, 2], [3, 4]])   # NumPy ndarray
x_torch = torch.tensor([[1, 2], [3, 4]])  # PyTorch Tensor

print(type(x_np))      # numpy.ndarray
print(type(x_torch))   # torch.Tensor

print(x_np.shape)      # (2, 2)
print(x_torch.shape)   # torch.Size([2, 2])

共同点：

  • 都是 “多维数值数组”
  • shape、reshape、dtype 概念几乎相同
  • 运算方式也相似（+、*、@ 等）

差异（深度学习中的关键）：

  • NumPy：CPU、无自动微分
  • PyTorch Tensor：可使用 GPU、支持自动微分

常见使用方式：

  • 概念练习 / 公式实验 / 数据处理 → NumPy
  • 实际模型训练 → PyTorch

熟悉 ndarray 后，PyTorch 张量运算会更自然。

4. np.array：创建 ndarray 的基本方法

ndarray 最基本的构造函数是 np.array。

4.1 Python 列表 → ndarray

import numpy as np

# 1 维数组（向量）
x = np.array([1, 2, 3])
print(x)
print(x.ndim)   # 1
print(x.shape)  # (3,)

# 2 维数组（矩阵）
M = np.array([[1, 2, 3],
              [4, 5, 6]])
print(M)
print(M.ndim)   # 2
print(M.shape)  # (2, 3)
  • 把 Python 的 列表 / 列表的列表 传给 np.array 就得到 ndarray。
  • 深度学习中常见的 batch_size x feature_dim 矩阵也属于此类。

4.2 快速创建初始值

在实验或示例中，常需要 从零或随机数 开始。

zeros = np.zeros((2, 3))       # 2x3 矩阵，全 0
ones = np.ones((2, 3))         # 2x3 矩阵，全 1
randn = np.random.randn(2, 3)  # 正态分布随机数

print(zeros.shape)  # (2, 3)

PyTorch 也几乎相同。

import torch

zeros_t = torch.zeros((2, 3))
ones_t = torch.ones((2, 3))
randn_t = torch.randn((2, 3))

5. dtype：理解数字的“数据类型”

dtype 表示 数组中数字的类型。

常见类型：

  • int32、int64：整数
  • float32、float64：浮点数

示例：

x = np.array([1, 2, 3])
print(x.dtype)  # 通常是 int64 或 int32

y = np.array([1.0, 2.0, 3.0])
print(y.dtype)  # 通常是 float64

5.1 指定 dtype 创建

x = np.array([1, 2, 3], dtype=np.float32)
print(x.dtype)  # float32

深度学习中常用 float32（PyTorch 的 torch.float32），因为它适合 GPU 运算且占用内存适中。

6. shape：读取数据的“形状”

shape 是一个元组，表示数组在各维度上的大小。

import numpy as np

x = np.array([1, 2, 3])
print(x.shape)  # (3,)

M = np.array([[1, 2, 3],
              [4, 5, 6]])
print(M.shape)  # (2, 3)

深度学习中常见的 shape 示例：

  • 单个特征向量：(feature_dim,) → 例如 (3,)
  • 批量数据：(batch_size, feature_dim) → 例如 (32, 3)
  • 图像批（PyTorch 默认）：(batch_size, channels, height, width) → 例如 (32, 3, 224, 224)

熟悉 NumPy 的 shape 后，遇到 PyTorch 张量的 shape 错误时更容易定位。

7. reshape：改变形状

reshape 在保持元素总数不变的前提下，仅改变数组的形状。

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6])
print(x.shape)  # (6,)

M = x.reshape(2, 3)
print(M)
print(M.shape)  # (2, 3)

关键点：

  • 总元素数必须相同。

7.1 使用 -1 自动推算

在批处理或图像处理中，-1 用来让系统自动计算维度。

x = np.array([[1, 2, 3],
              [4, 5, 6]])  # shape: (2, 3)

# 展平成 1 维（flatten）
flat = x.reshape(-1)        # shape: (6,)
print(flat)

# 再 reshape 为 2 行，列自动计算
M = flat.reshape(2, -1)     # shape: (2, 3)
print(M)

PyTorch 也类似。

import torch

x_t = torch.tensor([[1, 2, 3],
                    [4, 5, 6]])  # (2, 3)

flat_t = x_t.reshape(-1)        # (6,)
M_t = flat_t.reshape(2, -1)     # (2, 3)

熟练使用 reshape 后，以下操作更直观：

  • CNN 中的 flatten
  • RNN/LSTM 输入整理为 (batch, seq_len, feature)
  • 批维度的前后切换

8. astype：改变 dtype

astype 用来 转换数组的数值类型。

import numpy as np

x = np.array([1, 2, 3])      # int
print(x.dtype)               # int32 或 int64

x_float = x.astype(np.float32)
print(x_float)
print(x_float.dtype)         # float32

常见场景：

  • 将整数标签转换为浮点数以计算 loss
  • 将 float64 数据统一为 float32
  • 在传给 PyTorch 前确保类型匹配

示例：

import torch
import numpy as np

x = np.array([1, 2, 3], dtype=np.int32)
x = x.astype(np.float32)              # 转为 float32
x_torch = torch.from_numpy(x)         # 转为张量
print(x_torch.dtype)                  # torch.float32

若不匹配，PyTorch 可能报 “Expected Float but got Double” 等类型错误。

9. 总结：今天学到的 ndarray 基础语法

本篇文章涵盖：

  1. ndarray 是什么？ * 深度学习中所有数据结构的基础——多维数组
  2. 与 PyTorch Tensor 的关系 * 概念上几乎相同，深度学习版的 ndarray
  3. np.array * 从 Python 列表创建 ndarray
  4. dtype * 数字类型（int/float，32/64 位）
  5. shape * 数据形状，深度学习中最常见的属性
  6. reshape * 保持元素数不变，仅改变形状（-1 自动推算）
  7. astype * 类型转换（如 int → float32）

掌握这七个概念（array、dtype、shape、reshape、astype）后，你可以：

  • 在遇到张量 shape 错误时不再慌张
  • 在论文公式与代码之间自如切换
  • 更轻松地跟随 PyTorch 教程

image