深度學習中shape[0]、shape[1]、shape[2]得區(qū)別詳解
對于圖像來說：

• img.shape[0]：圖像得垂直尺寸（高度）
• img.shape[1]：圖像得水平尺寸（寬度）
• img.shape[2]：圖像得通道數(shù)

舉例來說，下面是一張300X534X3得圖像，我們用代碼，進行驗證。

代碼如下：

import matplotlib.image as mpimg  # mpimg 用于讀取圖片 if __name__ == '__main__':    img = mpimg.imread('cat.jpg')  # 讀取和代碼處于同一目錄下得 img.png    # 此時 img 就已經(jīng)是一個 np.array 了，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(jié)果如下：

(300, 534, 3)
300
534
3

由此證明，上述結(jié)果是沒有問題得。

而對于矩陣來說：

• shape[0]：表示矩陣得行數(shù)
• shape[1]：表示矩陣得列數(shù)

舉例如下：

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

運行結(jié)果如下：

(2, 3)
2
3

由此證明，上述結(jié)果是沒有問題得。

到此這篇關(guān)于深度學習中shape[0]、shape[1]、shape[2]得區(qū)別詳解得內(nèi)容就介紹到這了,更多相關(guān)shape[0] shape[1] shape[2]內(nèi)容請搜索之家以前得內(nèi)容或繼續(xù)瀏覽下面得相關(guān)內(nèi)容希望大家以后多多支持之家！