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]内容请搜索脚本之家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脚本之家！
您可能感兴趣的文章:浅谈python中np.array的shape( ,)与( ,1)的区别python中shape[0]与shape[1]的说明