我目前正在学习计算机科学教科书中的一些概念。线性代数被大量使用，他们在教科书中展示的例子都使用了Numpy。
有一个表达方式让我完全困惑，因为它似乎是一个完全无用的表达方式。逐字复制自课本，上面写着：
normalisers = sum(exp(outputs),axis=1)*ones((1,shape(outputs)[0]))
因此，为了简化起见，我将删除exp（它与这里的问题无关），这给了我们：
sum(outputs,axis=1)*ones((1,shape(outputs)[0]))
其中CCD_ 4是2-D Numpy CCD_。
据我所知，这只是对outputs矩阵中的所有行求和，然后将所得向量逐元素乘以一个全1的向量。那么…乘以这里的所有1有什么意义？这根本不会改变价值观。
这是教科书上的错误吗，还是我没有看到乘以所有的1可能会对这里的值产生任何影响？在这一点上，我对Numpy只是有点熟悉，所以我不确定我是否只是误解了这个表达的一些含义。
正如mutzmatron在评论中所写，当outputs是一个数组时，这种乘法是将sum的结果形状从(n,)更改为(1,n)的一种非常巧妙的方式。快速且惯用的方法是
sum(exp(outputs), axis=1).reshape(1, -1)
与教科书中介绍的方式不同，这既可读又可扩展，因为reshape占用的是常数而不是线性时间和内存。
然而，如果outputs不是一个数组，而是一个可怕类型np.matrix的对象，那么结果就完全不同了：
>>> outputs = np.matrix(outputs)
>>> (sum(exp(outputs), axis=1) * ones((1,shape(outputs)[0]))).shape
(10, 10)
（但是，这仍然是一种表达不同操作的人为方式。）