1多维数组
a.shape=(3,2);既数组h=3，w=2
a.shape=(2,3,2);这里第一个2表示axis=0维度上的，三维数组中3,2）数组的个数，这里表示两个（3,2）数组。
压缩维度
- 这里axis=0指代哪里是很重要的知识点。深度学习中经常压缩一个维度，axis=0。
numpy.squeeze()函数。
语法：numpy.squeeze(a,axis = None)；作用是将shape维度为1的去掉，但通常我们会指定axis=0，去除batchsize的维度。
扩充维度
- np.expand_dims(a, axis=1)将得到shape为(m, 1, n, c)的新数组，新数组中的元素与原数组a完全相同。
np.expand_dims(a, axis=2)将得到shape为(m, n, 1, c)的新数组，新数组中的元素与原数组a完全相同。
np.expand_dims(a, axis=3)将得到shape为(m, n, c, 1)的新数组，新数组中的元素与原数组a完全相同。
————————————————
版权声明：本文为CSDN博主「dekiang」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_41560402/article/details/105289015
2numpy类型转换
深度学习常见的float32类型。
- 函数
a.dtype = ‘float32’
>>> a = np.random.random(4)
>>> a
array([ 0.0945377 , 0.52199916, 0.62490646, 0.21260126])
>>> a.dtype
dtype('float64')
>>> a.shape
(4,)
>>> a.dtype = 'float32'
>>> a
array([ 3.65532693e+20, 1.43907535e+00, -3.31994873e-25,
1.75549972e+00, -2.75686653e+14, 1.78122652e+00,
-1.03207532e-19, 1.58760118e+00], dtype=float32)
>>> a.shape
(8,)
3数组扁平化
假设C为三维数组
A = C.flatten()
4np.where()的用法
- 一维数组，返回一个array
a = np.arange(8)
a
array([0, 1, 2, 3, 4, 5, 6, 7])
np.where(a>4)
(array([5, 6, 7], dtype=int64),)
- 二维数组，返回两个array。返回的第一个array表示行坐标，第二个array表示纵坐标，两者一一对应。
b = np.arange(4*5).reshape(4,5)
b
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
np.where(b>14)
(array([3, 3, 3, 3, 3], dtype=int64), array([0, 1, 2, 3, 4], dtype=int64))
5np.argmax()
作用：在axis方向上找最大值的坐标。
- 语义分割中将多通道预测结果pred_mask转化为单通道mask
np.argmax(pre_mask,axis=0)。即：在通道方向上找到哪个通道的置信度最大，比如1通道表示“汽车”，2“人”，3“猴子”，那么返回的索引值刚好对应label，将不同类别的像素点用不同颜色填充在原图上，这样就可以起到分割的效果。
6图像拼接
np.hstack h-horizontal 水平方向拼接文章来源：https://www.toymoban.com/news/detail-802640.html
np.hstack(array1,array2)
np.vstack vertical 竖直方向拼接文章来源地址https://www.toymoban.com/news/detail-802640.html
np.vstack(array1,array2)
7生成同shape的图片，指定数据类型
# 以下是常用的两种类型
mask2 = np.zeros(b.shape, dtype=np.uint8) # 这个是cv读取的一般jpg、png的图片类型
dtype = np.int
dtype = 'uint8'
到了这里，关于深度学习中Numpy的一些注意点（多维数组；数据类型转换、数组扁平化、np.where()、np.argmax()、图像拼接、生成同shape的图片）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板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TOY模板网！
