iis服务器助手广告广告
返回顶部
首页 > 资讯 > 后端开发 > Python >深度学习中shape[0]、shape[1]、shape[2]的区别详解
  • 494
分享到

深度学习中shape[0]、shape[1]、shape[2]的区别详解

2024-04-02 19:04:59 494人浏览 薄情痞子

Python 官方文档:入门教程 => 点击学习

摘要

深度学习中shape[0]、shape[1]、shape[2]的区别详解对于图像来说: img.shape[0]:图像的垂直尺寸(高度)img.shape[1]:图像的水平尺寸(宽度

深度学习中shape[0]、shape[1]、shape[2]的区别详解
对于图像来说:

  • img.shape[0]:图像的垂直尺寸(高度)
  • img.shape[1]:图像的水平尺寸(宽度)
  • img.shape[2]:图像的通道数

举例来说,下面是一张300X534X3的图像,我们用代码,进行验证。

代码如下:

import matplotlib.image as mpimg  # mpimg 用于读取图片
 
if __name__ == '__main__':
    img = mpimg.imread('cat.jpg')  # 读取和代码处于同一目录下的 img.png
    # 此时 img 就已经是一个 np.array 了,可以对它进行任意处理
    print(img.shape)  # (512, 512, 3)
    print(img.shape[0])
    print(img.shape[1])
    print(img.shape[2])

运行结果如下:

(300, 534, 3)
300
534
3

由此证明,上述结果是没有问题的。

而对于矩阵来说:

  • shape[0]:表示矩阵的行数
  • shape[1]:表示矩阵的列数

举例如下:

  import numpy as np
 
if __name__ == '__main__':
    w = np.array([[1, 2, 3], [4, 5, 6]])  # 2X3的矩阵
    print(w.shape)
    print(w.shape[0])
    print(w.shape[1])

运行结果如下:

(2, 3)
2
3

由此证明,上述结果是没有问题的。

到此这篇关于深度学习中shape[0]、shape[1]、shape[2]的区别详解的文章就介绍到这了,更多相关shape[0] shape[1] shape[2]内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网!

--结束END--

本文标题: 深度学习中shape[0]、shape[1]、shape[2]的区别详解

本文链接: https://www.lsjlt.com/news/119621.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com    QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑,方便收藏和打印~

下载Word文档
猜你喜欢
软考高级职称资格查询
编程网,编程工程师的家园,是目前国内优秀的开源技术社区之一,形成了由开源软件库、代码分享、资讯、协作翻译、讨论区和博客等几大频道内容,为IT开发者提供了一个发现、使用、并交流开源技术的平台。
  • 官方手机版

  • 微信公众号

  • 商务合作