深度學習中shape[0]、shape[1]、shape[2]的區別詳解

Posted on by

深度學習中shape[0]、shape[1]、shape[2]的區別詳解
對於圖像來說：

  • img.shape[0]：圖像的垂直尺寸（高度）
  • img.shape[1]：圖像的水平尺寸（寬度）
  • img.shape[2]：圖像的通道數

舉例來說，下面是一張300X534X3的圖像，我們用代碼，進行驗證。

代碼如下：

import matplotlib.image as mpimg  # mpimg 用於讀取圖片
 
if __name__ == '__main__':
    img = mpimg.imread('cat.jpg')  # 讀取和代碼處於同一目錄下的 img.png
    # 此時 img 就已經是一個 np.array 瞭，可以對它進行任意處理
    print(img.shape)  # (512, 512, 3)
    print(img.shape[0])
    print(img.shape[1])
    print(img.shape[2])

運行結果如下：

(300, 534, 3)
300
534
3

由此證明，上述結果是沒有問題的。

而對於矩陣來說：

  • shape[0]：表示矩陣的行數
  • shape[1]：表示矩陣的列數

舉例如下：

  import numpy as np
 
if __name__ == '__main__':
    w = np.array([[1, 2, 3], [4, 5, 6]])  # 2X3的矩陣
    print(w.shape)
    print(w.shape[0])
    print(w.shape[1])

運行結果如下：

(2, 3)
2
3

由此證明，上述結果是沒有問題的。

到此這篇關於深度學習中shape[0]、shape[1]、shape[2]的區別詳解的文章就介紹到這瞭,更多相關shape[0] shape[1] shape[2]內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：