>>> import numpy as np
>>> data = np.random.randint(0, 5, [4,3,2,3])
>>> data
array([[[[4, 1, 0],
[4, 3, 0]],
[[1, 2, 4],
[2, 2, 3]],
[[4, 3, 3],
[4, 2, 3]]],
[[[4, 0, 1],
[1, 1, 1]],
[[0, 1, 0],
[0, 4, 1]],
[[1, 3, 0],
[0, 3, 0]]],
[[[3, 3, 4],
[0, 1, 0]],
[[1, 2, 3],
[4, 0, 4]],
[[1, 4, 1],
[1, 3, 2]]],
[[[0, 1, 1],
[2, 4, 3]],
[[4, 1, 4],
[1, 4, 1]],
[[0, 1, 0],
[2, 4, 3]]]])
>>>data.shape
>>> (4,3,2,3)Al igual que la matriz de cuatro dimensiones anterior, podemos sentir el número de corchetes para determinar la cantidad de capas en cada dimensión de la matriz.
Primero, puede ver que el número de capas en cada dimensión es (4, 3, 2, 3)
El primer nivel es 4, porque los 3 corchetes más externos se repiten 4 veces
El segundo nivel es 3, porque los corchetes contenidos en el nivel más externo, es decir, dos corchetes, se repiten 3 veces dentro de uno 3 corchetes. P.ej
[ [[ 4, 1, 0],
[4, 3, 0 ]] ,
[[ 1, 2, 4],
[2, 2, 3 ]] ,
[[ 4, 3, 3],
[4, 2 , 3 ]] ]
La tercera capa es 2 porque los corchetes contenidos en los corchetes de la segunda capa se repiten dos veces. P.ej
[ [ 4, 1, 0 ] ,
[ 4, 3, 0 ] ],
La cuarta y última capa es 3, porque los corchetes en la última capa contienen 3 números.