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

2022-07-24 17:30Tiám青年 Python

本文主要介绍了深度学习中shape[0]、shape[1]、shape[2]的区别详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

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])