Python：reshape和resize的区别！

不管是tensorflow还是numpy中，都出现了这两个单词！使用上看起来都是改变原始数组/张量的形状，但其内涵是完全不一样的！

总结在先：

• reshape：逻辑上改变矩阵形状，但不会增减任何数据！即：(a,b) → (c,d)：ab = cd
• resize：改变矩阵的大小，可以增减数据！即：(a,b) → (c,d)：ab ≠ cd

用Numpy来展示：

import numpy as np 

# 原始数据：
a = np.array( [[2,3,4,8], [13, 12, 17, 19], [33, 28, 63, 41]] )
a

array([[ 2,  3,  4,  8],
       [13, 12, 17, 19],
       [33, 28, 63, 41]])

# 用np.reshape()处理：
a1 = np.reshape(a, (2,6))
a1

array([[ 2,  3,  4,  8, 13, 12],
       [17, 19, 33, 28, 63, 41]])

# 若ab ≠ cd时：报错！
a11 = np.reshape(a, (3,8))
a11

ValueError: cannot reshape array of size 12 into shape (3,8)

# 用np.resize()处理时：
a2 = np.resize(a, (2,6))  # 数据量一样：同np.reshape！
a2

array([[ 2,  3,  4,  8, 13, 12],
       [17, 19, 33, 28, 63, 41]])

----

a3 = np.resize(a, (2,3))  # 数据量可以减少！
a3

array([[ 2,  3,  4],
       [ 8, 13, 12]])

---

a4 = np.resize(a, (6, 7))  # 数据量可以增多！
a4

array([[ 2,  3,  4,  8, 13, 12, 17],
       [19, 33, 28, 63, 41,  2,  3],
       [ 4,  8, 13, 12, 17, 19, 33],
       [28, 63, 41,  2,  3,  4,  8],
       [13, 12, 17, 19, 33, 28, 63],
       [41,  2,  3,  4,  8, 13, 12]])

发现np.resize的变化规律：

• 按照新给的尺寸，从原数组中按照“从左到右、从上到下”的顺序取出并按照同样的顺序往新尺寸里填。一轮全部填完后，再重新来一遍即可。—— 深度学习中常用：所有图片设定统一尺寸（有的删些数据，有的增些数据），图像会有些扭曲变形，但大多数的图像特征还是会保留的！