Andrey Dugin

np.all(matrix == 7)

np.diff(a[:, 1]) / np.diff(a[:, 0])

np.array([np.zeros((i, 2), dtype=np.float32) for i in input_list])

Непонятно только, зачем вы лезете в нейросети, если не можете сделать элементарного.

Для применения факториала к массивам надо векторизовать функцию:

>>> import numpy as np
>>> np.math.factorial(np.arange(6))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: only size-1 arrays can be converted to Python scalars

>>> factorial = np.vectorize(np.math.factorial)
>>> factorial(np.arange(6))
array([  1,   1,   2,   6,  24, 120])

Не нужно этого делать.

Во-первых, следует учитывать важность row-major и column-major order в этой операции:


Во-вторых, переход от int32 к float32 (или float64) даёт радикальное ускорение за счёт BLAS:


BLAS уже используется в numpy "под капотом" (по крайней мере, в дистрибутиве Anaconda), поэтому не следует явным образом вызывать эти функции вручную - как показано выше, это будет медленее.


P.S. Теория вкратце:
Performance Tips of NumPy ndarray
Understanding the internals of NumPy to avoid unne...

Вы читаете документацию не к той функции: вам надо читать numpy.ndarray.reshape. И там английским по белому в Notes сказано следующее: Unlike the free function numpy.reshape, this method on ndarray allows the elements of the shape parameter to be passed in as separate arguments. For example, a.reshape(10, 11) is equivalent to a.reshape((10, 11)).

Число -1 означает не "любые данные", а то, что numpy пересчитает одну недостающую размерность исходя из размера данных и остальных известных размерностей. Например, возьмём RGB-картинку 640х480: (480, 640, 3). В то же время эту структуру можно рассматривать как пачку (батч) из трёх ч/б картинок: (-1, 480, 640, 1), где вместо -1 numpy автоматически рассчитает число 3. У вас size - это не размер массива, а размер одного его измерения. Для того, чтобы понять, как это работает, разберитесь, как numpy размещает данные в памяти и что такое stride.

Последний аргумент не означает grayscale, он обозначает, что размерность массива в последнем измерении равна 1. Для картинки это иногда можно интерпретировать как grayscale.

a[ a[:, 1] == 1 ]

Вариант №1 - просто вставляем значения исходной матрицы в заданные позиции шаблона:

>>> matrix = np.array([[1, 2], [3, 4]])
>>> new_matrix = np.zeros((6, 6), dtype=matrix.dtype)
>>> new_matrix[1::3, 1::3] = matrix
>>> new_matrix
array([[0, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 2, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 3, 0, 0, 4, 0],
       [0, 0, 0, 0, 0, 0]])

Вариант №2 - с полноценными преобразованиями:

>>> matrix = np.array([[1, 2], [3, 4]])
>>> matrix = matrix.reshape(1, 1, -1)
>>> matrix = np.pad(matrix, ((1, 1), (1, 1), (0, 0)), 'constant', constant_values=0)
>>> matrix = matrix.transpose(2, 0, 1).reshape(2, 2, 3, 3)
>>> matrix = np.hstack(np.hstack(matrix))
>>> matrix
array([[0, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 2, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 3, 0, 0, 4, 0],
       [0, 0, 0, 0, 0, 0]])

Подозреваю, что можно уменьшить число действий, обойтись без np.stack() и эффективно применить np.lib.stride_tricks.as_strided(), но это лютый мозговынос.