这个 'a' 在 Python （ W[: , : , : , a] ）中切片的目的是什么？
What is the purpose of this 'a' in this array slicing in Python ( W[: , : , : , a] )?
代码示例如下：
weights = W[:,:,:,a]
这里a是整数
在数组切片中，我需要对 Python 的切片表示法有一个很好的解释（有参考文献者优先）。我不明白这个 'a' 的目的是什么。我们知道 3D 数组就像一堆矩阵，其中：
- 第一个索引i，选择矩阵
- 第二个索引 j 选择行
- 第三个索引k，选择列
形状：
让M成为你的n维数组：
Reference image: https://fgnt.github.io/python_crashkurs_doc/_images/numpy_array_t.png
- M (x,) 的形状表示您的数组有 x 行
- M (x, y) 的形状表示您的数组有 x 行 和 y 列
- M (x, y, z) 的形状表示您的数组有 x 行、y 列 和 z“图层”
如果你愿意，你可以将形状想象为（线、列、层 ,...)，但是当你谈论四维数组或更大的数组时，事情就变得复杂了（也许你可以将它们命名为 stacks of blocks for fourth dimension）。
无论如何，更好的命名约定如下：
M (轴 0, 轴 1, 轴 2 , ..., axis n) 如参考图像所示。
要在Python中求数组的形状，只需写：M.shape
切片：
在数组索引中，逗号分隔数组的维度：
M [轴 0, 轴 1, 轴 2 , ..., 轴 n]
对于每个轴，您可以具有以下切片结构：
[开始：停止：步骤] 其中：
- start: 所选轴的第一个索引（包含在结果中）
- start = 0为默认起始索引（不需要指定）
- stop: 所选轴的最后一个索引（不包括在结果中）
- stop = len(axis)为默认结束索引（不需要指定）
- step: 遍历所选轴的步数:
- step = 0 不允许
- step = 1为默认步长（不需要指定）
- step = -1表示反向遍历
- step = n表示从n到nstep
以下切片是等价的：
M [0:n+1:1], M [:] 和 M[:: ] 根据 默认 值。
混合在一起，现在我们可以用通用的切片符号来写：
M [轴的起始索引0：轴的停止索引0 : 轴步进 0,
轴的起始索引1：轴的停止索引1：轴的步长1,
轴的起始索引2：轴的停止索引2：轴的步长2,
...
轴的起始索引n：轴的停止索引n：轴的步长n],
足够的理论，让我们看一些例子:
我们有M，一个二维数组，形状为(5, 5)：
M = np.arange(1, 26).reshape(5, 5)
print(M)
结果：
[[ 1 2 3 4 5]
[ 6 7 8 9 10]
[11 12 13 14 15]
[16 17 18 19 20]
[21 22 23 24 25]]
print('Traverse the matrix from the last line to the first one (axis=0)', matrix[::-1], sep='\n')
结果：
[[21 22 23 24 25]
[16 17 18 19 20]
[11 12 13 14 15]
[ 6 7 8 9 10]
[ 1 2 3 4 5]]
print('The 3 columns in the middle of the matrix (take all data from axis=0, and take a slice from axis=1):' , matrix[:, 1:4],sep='\n')
结果：
[[ 2 3 4]
[ 7 8 9]
[12 13 14]
[17 18 19]
[22 23 24]]
现在，你的切片：W [:, :, :, a]，其中 a是整型变量，可以解释为：
- M是一个四维数组
- 你从 轴 0、轴 1 和 轴 2
- 你只从 轴 3
中获取索引 a
一个四维数组可以想象成一个stack/array个三维块，你的切片意思是：从每个矩阵中取出a列块，最后得到一个三维数组。
代码示例如下：
weights = W[:,:,:,a]
这里a是整数
在数组切片中，我需要对 Python 的切片表示法有一个很好的解释（有参考文献者优先）。我不明白这个 'a' 的目的是什么。我们知道 3D 数组就像一堆矩阵，其中：
- 第一个索引i，选择矩阵
- 第二个索引 j 选择行
- 第三个索引k，选择列
形状：
让M成为你的n维数组：
Reference image: https://fgnt.github.io/python_crashkurs_doc/_images/numpy_array_t.png
- M (x,) 的形状表示您的数组有 x 行
- M (x, y) 的形状表示您的数组有 x 行 和 y 列
- M (x, y, z) 的形状表示您的数组有 x 行、y 列 和 z“图层”
如果你愿意，你可以将形状想象为（线、列、层 ,...)，但是当你谈论四维数组或更大的数组时，事情就变得复杂了（也许你可以将它们命名为 stacks of blocks for fourth dimension）。
无论如何，更好的命名约定如下：
M (轴 0, 轴 1, 轴 2 , ..., axis n) 如参考图像所示。
要在Python中求数组的形状，只需写：M.shape
切片：
在数组索引中，逗号分隔数组的维度： M [轴 0, 轴 1, 轴 2 , ..., 轴 n] 对于每个轴，您可以具有以下切片结构：
[开始：停止：步骤] 其中：
- start: 所选轴的第一个索引（包含在结果中）
- start = 0为默认起始索引（不需要指定）
- stop: 所选轴的最后一个索引（不包括在结果中）
- stop = len(axis)为默认结束索引（不需要指定）
- step: 遍历所选轴的步数:
- step = 0 不允许
- step = 1为默认步长（不需要指定）
- step = -1表示反向遍历
- step = n表示从n到nstep
以下切片是等价的： M [0:n+1:1], M [:] 和 M[:: ] 根据 默认 值。
混合在一起，现在我们可以用通用的切片符号来写：
M [轴的起始索引0：轴的停止索引0 : 轴步进 0,
轴的起始索引1：轴的停止索引1：轴的步长1,
轴的起始索引2：轴的停止索引2：轴的步长2,
...
轴的起始索引n：轴的停止索引n：轴的步长n],
足够的理论，让我们看一些例子:
我们有M，一个二维数组，形状为(5, 5)：
M = np.arange(1, 26).reshape(5, 5)
print(M)
结果：
[[ 1 2 3 4 5]
[ 6 7 8 9 10]
[11 12 13 14 15]
[16 17 18 19 20]
[21 22 23 24 25]]
print('Traverse the matrix from the last line to the first one (axis=0)', matrix[::-1], sep='\n')
结果：
[[21 22 23 24 25]
[16 17 18 19 20]
[11 12 13 14 15]
[ 6 7 8 9 10]
[ 1 2 3 4 5]]
print('The 3 columns in the middle of the matrix (take all data from axis=0, and take a slice from axis=1):' , matrix[:, 1:4],sep='\n')
结果：
[[ 2 3 4]
[ 7 8 9]
[12 13 14]
[17 18 19]
[22 23 24]]
现在，你的切片：W [:, :, :, a]，其中 a是整型变量，可以解释为：
- M是一个四维数组
- 你从 轴 0、轴 1 和 轴 2
- 你只从 轴 3 中获取索引 a
一个四维数组可以想象成一个stack/array个三维块，你的切片意思是：从每个矩阵中取出a列块，最后得到一个三维数组。