科普：list （列表），np.array （数组（多维）），torch.Tensor （张量），及其shape与reshape

一、三者关系与比较

（一）能力递进

普通列表 list
    ↓（变成结构化数值数组）
numpy 数组 np.array
    ↓（加上 GPU/自动求导/深度学习能力）
张量 Tensor (PyTorch / TensorFlow)

---

1）普通列表：list

data = [
    [1,2,3,4],
    [5,6,7,8],
    [9,10,11,12]
]

• 只是容器，用来装东西
• 没有 .shape，不能 reshape
• 不能批量加减乘除
• 机器学习模型不能直接用

---

2）numpy 数组：np.array（ndarray）

import numpy as np
arr = np.array(data)

• 是多维数组，数学上就是张量结构
• 有 .shape、可 reshape
• 支持矩阵运算、拼接、均值等
• 用于数据处理、特征工程、Stacking 构造影子数据集
• 一般在 CPU 上运行

在数学定义里：np.array 就是张量

在工程叫法里：大家习惯叫它"数组"

---

3）深度学习中张量：torch.Tensor / tf.Tensor

import torch
tensor = torch.tensor(data)
# 或者从 numpy 转换
tensor = torch.from_numpy(arr)

• 结构和 np.array 几乎一样
• 额外支持：GPU 加速、自动求导、反向传播
• 是神经网络的标准输入格式
• 用于训练深度学习模型

---

（二）区别汇总

结构	数学身份	能否 reshape	能否进模型	运行设备
list	无结构容器	❌ 不能	❌ 不行	CPU
np.array	多维数组/张量	✅ 可以	⚠️ 传统ML可以	CPU
Tensor	张量	✅ 可以	✅ 深度学习专用	GPU/CPU

---

1. list 只是 Python 普通列表，不是数值数组。
2. np.array 是数值型多维数组，数学上就是张量，适合数据处理与传统机器学习。
3. Tensor 是专为深度学习设计的张量，支持 GPU 和自动求导。

它们的维度结构完全一致，只是用途和能力逐级增强。

---

二、三者（list / np.array / tensor） 的 shape 与 reshape

1. 普通列表：list

lst = [
    [1,2,3,4],
    [5,6,7,8],
    [9,10,11,12]
]

shape

• 没有 .shape 属性
• 你只能看到是"列表套列表"
• 无法直接知道维度、行列数

reshape

• 完全不支持 reshape
• 没有任何变形能力
• 想变形必须先转成 np.array 或 tensor

---

2. NumPy 数组：np.array（ndarray）

import numpy as np
arr = np.array(lst)

shape

• 有 .shape
• 上面例子：(3, 4)
• 清晰：3 行 4 列

reshape

• 完全支持
• 最常用：
  • reshape(-1, 1) → 变成一列
  • reshape(1, -1) → 变成一行
  • reshape(4, 3) → 重新排列
• 元素总数永远不变
• 变形后仍然是 np.array

arr.reshape(-1, 1).shape  # (12, 1)

---

3. 深度学习张量：torch.Tensor（以 PyTorch 为例）

import torch
ts = torch.tensor(lst)

shape

• 有 .shape
• 同样是 (3, 4)
• 用法和 np.array 几乎一样

reshape

• 同样支持 reshape(...)

• 语法完全一致：

  ts.reshape(-1, 1)   # 变成一列
  ts.reshape(4, 3)

• 变形后仍然是 tensor

• 可在 GPU 上运行

---

一句话总结

1. list

   • 无 shape
   • 不能 reshape

2. np.array

   • 有 shape
   • 能 reshape
   • 数学上 = 张量
   • 用于数据处理、Stacking

3. tensor

   • 有 shape
   • 能 reshape
   • 深度学习专用张量
   • 支持 GPU / 自动求导

---

三、重塑形状reshape

下面二行做的事情一模一样：

np.array(lst).reshape(-1, 1)  # numpy 数组变一列
torch.tensor(lst).reshape(-1, 1)  # 张量变一列

只有 list 不行：

lst.reshape(-1, 1)  # 报错！

---

reshape 用法

口诀

元素总数不变，形状随便排；
-1 自动算，不用你瞎猜。

---

示例

以np.array的reshape 为例。

一维数组 reshape 示例

import numpy as np
a = np.array([1,2,3,4,5,6])  # shape=(6,)

1. a.reshape(2, 3)
   → 2行3列

   [[1 2 3]
   [4 5 6]]

2. a.reshape(3, 2)
   → 3行2列

   [[1 2]
   [3 4]
   [5 6]]

3. a.reshape(-1, 1)
   → 自动6行，固定1列

   [[1]
   [2]
   [3]
   [4]
   [5]
   [6]]

---

二维数组 reshape 示例

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

1. b.reshape(3, 2)

   → 变回 3行2列

2. b.reshape(1, 6)

   → 1行6列（扁平）

3. b.reshape(-1)

   → 一维数组 [1,2,3,4,5,6]

4. b.reshape(-1, 1)

   → 全部拉成 1 列

   [[1]
   [2]
   [3]
   [4]
   [5]
   [6]]

---

三维数组 reshape 示例

c = np.array([[[1,2],[3,4]],
              [[5,6],[7,8]]])  # shape=(2,2,2)

1. c.reshape(4, 2)

   → 二维 4行2列

2. c.reshape(2, 4)

   → 二维 2行4列

3. c.reshape(-1)

   → 一维 [1,2,3,4,5,6,7,8]

4. c.reshape(-1, 1)

   → 统一变成 1 列二维数组

---

reshape中的-1 到底是什么？

• reshape(x, -1)：你定行数，列数自动算
• reshape(-1, x)：你定列数，行数自动算
• reshape(-1)：全部拉平成一维

---