网站首页编程语言正文

深度学习中shape[0]、shape[1]、shape[2]的区别详解_python

作者：Tiám青年更新时间： 2022-09-16 编程语言

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。

原文链接：https://blog.csdn.net/xiasli123/article/details/102932607

上一篇：Pandas数据形状df.shape的实现_python
下一篇：利用Python统计Jira数据并可视化_python

网站首页 编程语言 正文

深度学习中shape[0]、shape[1]、shape[2]的区别详解_python

相关推荐

网站首页编程语言正文