numpy库为python提供了很多方便的数学计算方法，尤其是提供了数组，极大方便了使用python进行矩阵运算，使其在机器学习和深度学习中得到有效利用，本文详细介绍一下高维矩阵的切割问题。
平时我们使用最多的就是一，二维和三维矩阵，以前我容易将其跟立体几何联系起来。后来发现这样是非常错误的，因为再高一点的维度就不能想象了。所以，按照矩阵的形式，从外向内，逐层分解才能掌握好矩阵。
将以下代码敲一遍就会豁然开朗：
import numpy as np a=np.arange(10) print(a) print(a[0:9]) # 包头不包尾 print(a[3:6]) print(a[:5]) # :前面不写就是从下标为0开始 print(a[5:]) # :后面不写就是一直到最后一个元素 print(a[:]) # :前后都不写就是从头到尾 print('---------------') ''' 多维矩阵按括号的层级，从外向内，一次是第1，2，3，...维 b[]内用逗号将各维分开，分别代表第1,2,3...维元素 每个维度上都有自己的下标，也可以用':'取部分 ''' b= np.mat(np.arange(20).reshape(4,5)) print(b) print(b[1:3,2:5]) # 先取第一维中下标为1,2的2部分，再取第二维中下标为2,3,4的3部分 print(b[:2,2:]) # 同理，前面不写从头开始，后面不写一直到末尾 print(b[:2,3]) # 当然，也可以在某维度上只取一行 print('-----------------') c= np.arange(60).reshape(3,4,5) print(c) print(c[:2,2:4,1:4]) # 从外向内一层一层的割，切割不改变矩阵维度 print('-------------------') d= np.arange(240).reshape(3,4,5,4) print(d) print(d[:2,1:3,2:5,1:3])