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

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！

提示： 本文由神整理自网络，如有侵权请联系本站删除！
本站声明：
1、本站所有资源均来源于互联网，不保证100%完整、不提供任何技术支持；
2、本站所发布的文章以及附件仅限用于学习和研究目的;不得将用于商业或者非法用途；否则由此产生的法律后果，本站概不负责！