深度学习中shape[0]、shape[1]、shape[2]的区别详解
短信预约 -IT技能 免费直播动态提醒
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！
免责声明：
① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的，并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据，供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。
② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
