最近在看斯坦福大學的cs231n機器學習課程，第一節的assignment1裡的KNN線性分類器中用到了這兩個函式，由於我是新手，就看不懂這兩個函式坐了什麼，其實結合那個例程，這個函式當時會覺得好像明白了它的意思，但是後來在CSDN上看了一個講stack()函式的部落格，徹底把我搞懵了，研究了一天，結果發現這兩個函式（Numpy.transpose()和Numpy.stack()）是有很強的相似性的。下面開始分析，因為本人也是研究生一枚，剛入機器學習不久，錯誤之處，還望大神不吝指正，郵箱評論均可（郵箱：[email protected]）。

首先，網上關於Numpy.stack()的具體理解還是很少的，其中有一篇博主寫的很詳細，但是長篇大論都在講自己怎麼理解，我看了一半我真的不知道這個部落格在講什麼，什麼套箱子，什麼的。好吧可能是我太菜了，也有很多說看懂的，能看懂的可以嘗試去看一看。但是，我覺得這個函式的設計絕不是那樣的，官方文件幾句話就解釋完了（雖然並沒有理解），所以說它應該沒有那麼複雜。連結在這，可自行檢視：

我為什麼要把Numpy.stack()和Numpy.transpose()放在一起來講呢，他們真的是有共同點的。我不想在這裡做重複的事情，所以，有前輩貢獻的，我直接甩連結，大家點進去看，有補充的我會在後面補充。

首先是Numpy.transpose()函式，

好吧，為了照顧英文不好的，我再以我的方式解釋一下，（我的英文也不好，有錯誤的地方，歡迎指正）

大致的意思就是，以x.transpose()方式引用，接收一個引數（*axes），函式對一維陣列沒有作用，函式通過引數axes來變換傳入陣列的形狀（shape）

axes引數一共有三種傳入方式

①：不傳入，即預設

假如原陣列的shape是（0,1,2,3,4,...,n-1），變換以後是（n-1,...2,1,0）

②：傳入元組

傳入的元組必須和當前元組的維度個數相同，也就是現在是n維的陣列，那麼axes引數也必須是n維，而且元組的數必須是0到n-1的每一個數字組成的，代表新的陣列的維度

例如一個三維的陣列，shape是（2,3,4），axes陣列必須是0,1,2這三個數，你可以是（0，1，2），這個表示不變化，也可以是（1,0,2）這個變換後的shape是（3,2,4），也可以是（2,1,0），這個變換後的shape是（4，2，3），也可以是（2,0,1），這個變換後的shape是（4，3，2）。

應該看明白了吧，例子自己舉吧，列個數組就明白了，就是指定維度變換方式，所以這個很好理解。

還有個帖子我覺得寫得不錯，很詳細，我很懶，懶得畫圖解釋了，你們可以看看這個：

關於這個函式，寫得好的帖子應該很多，不滿意我的解釋或者我推薦的也不滿意，可以自行查詢。

那麼可能有人要問，變換後陣列的數是怎麼排布的呢？先不著急，先看Numpy.stack()函式

Numpy.stack()函式，

這個函式，我真的沒找到幾個好的解釋，官方文件算一個，在這：

還有就是上面提到的那個，說了很多雲裡霧裡的：

真正讓我有啟發的是這個：

具體變換過程其實是和transpose()很相似的，只是transpose()需要一個元組來設計變換後的shape，而stack()只要一個axis來指定變換後的shape，具體變換方法看上個連線就好。

那麼，最令人費解的是什麼，是變換後的數，這也是兩個函式的共同點，這兩個函式，對傳入的數不管是列表也好，元組也好，都會先使用numpy.array()變換，變換後的陣列會是作為一個原型，以後所有的Numpy.transpose()和Numpy.stack()的作用都是在這個原型的基礎上旋轉得來的，舉例來說，當輸入的原型是三維的，你可以想象成一個立方體，所有你做的變換最終得到的陣列的數字排列，只是這個立方體從不同的角度看得到的多維陣列，各個數字之間的相對位置是不變的。這個只能想，沒法畫。可以寫程式碼驗證。

#!/usr/bin/python3.6
# -*- coding: utf-8 -*-
# @Time    : 2018/9/13 17:04
# @Author  : Allen
# @File    : test.py
# @Software: PyCharm


import numpy as np

a = [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15], [16, 17, 18, 19, 20]]
b = [[21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35], [36, 37, 38, 39, 40]]
c = [[41, 42, 43, 44, 45], [46, 47, 48, 49, 50], [51, 52, 53, 54, 55], [56, 57, 58, 59, 60]]


x = np.array((a, b, c))
print(x)
print(x.shape)

y = np.stack(x)
print(y)
print(y.shape)

z = np.stack(x, axis=0)
print(z)
print(z.shape)

w = np.stack(x, axis=1)
print(w)
print(w.shape)

g = np.stack(x, axis=2)
print(g)
print(g.shape)

h = np.stack(x, axis=2)
print(h)
print(h.shape)

k = np.stack(x, axis=-1)
print(k)
print(k.shape)

x = np.array((a, b, c))
print(x)
print(x.shape)

p = x.transpose((0, 1, 2))
print(p)
print(p.shape)

q = x.transpose((1, 0, 2))
print(q)
print(q.shape)

i = x.transpose((1, 2, 0))
print(i)
print(i.shape)

i = x.transpose((2, 1, 0))
print(i)
print(i.shape)

結果太長就不貼上了，可以自行執行。

寫程式碼的時候發現在google其實是能找到stack的詳解的，沒那麼少。而且好像講述了立方體的意思，都寫到這裡了不能白寫，既然寫了，就放出來，希望可以幫到某些人。如果有錯誤的地方，歡迎指正（[email protected]）。或者你看的一頭霧水，那就選擇其他途徑吧！到此為止。歡迎閱讀！