深度学习中shape[0]、shape[1]、shape[2]的区别详解
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]内容请搜索脚本之家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脚本之家!
相关文章
python sklearn中tsne算法降维结果不一致问题的解决方法
最近在做一个文本聚类的分析,在对文本数据embedding后,想着看下数据的分布,于是用sklearn的TSNE算法来降维embedding后的数据结果,当在多次执行后,竟发现TSNE的结果竟然变了,而且每次都不一样,所以本文就给大家讲讲如何解决sklearn中tsne算法降维结果不一致的问题2023-10-10Python多线程编程threading模块使用最佳实践及常见问题解析
这篇文章主要为大家介绍了Python多线程编程threading模块使用最佳实践及常见问题解析,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪2024-01-01
最新评论