语法格式:
numpy.argmax(a,axis)
作用:返回axis轴方向最大值的索引
a :为所需处理的矩阵
axis :为处理的轴向,axis=1为横轴方向,方向从左到右;axis=0为纵轴方向,方向从上到下
一维数组:
>>> a=np.array([1,2,3,4,5])
>>> print(np.argmax(a))
4
二维数组:
>>> b=np.array([[1,0,6,4],[9,8,2,3],[3,1,2,7]])
>>> print(np.argmax(b,axis=0))
[1 1 0 2]
>>> print(np.argmax(b,axis=1))
[2 0 3]
用法:需要引用numpy库
numpy.random.choice(a, size=None, replace=True, p=None)
import numpy as np
numpy.random.choice(a, size=None, replace=True, p=None)
**用途:**从a(一维数据)中随机抽取数字,返回指定大小(size)的数组
**replace:**True表示可以取相同数字,False表示不可以取相同数字
数组p:与数组a相对应,表示取数组a中每个元素的概率,默认为选取每个元素的概率相同。
import numpy as np
pa = [0.3, 0.2, 0.1, 0.1, 0.3]
pa=np.array(pa)
a = np.random.choice(np.arange(5), size=5, replace=True, p=pa)
print(a) #[3 4 1 3 0]
在深度学习代码中遇到的问题-shape[0]、shape[1]、shape[2]的区别
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,
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) #(300, 534, 3)
print(img.shape[0])
print(img.shape[1])
print(img.shape[2])
(300, 534, 3)
300
534
3
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])
(2, 3)
2
3
运行结果如下:
由此证明,上述结果是没有问题的。
ndim表示数组的维度,很明显,a是一个1行三列的数组,即1×3,在维度中,1是可以忽略的,即1x1x2的数组跟1×2的数组是一样的,所以,a是一维数组。
再来看b,b是一个2行3列的数组,也就是2×3,这是二维,没错。
再看c, c是一个3行3列的数组, 即3×3, 3×3依旧是二维哦,4×3, 5×4都是二维
到d的时候,我们发现d是一个2行3列但高为4的数组, 即2x3x4,这是3维数组。
a
array([ 1., 2., 3.])
b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])
c
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
a.ndim
1
b.ndim
2
c.ndim
2
实例
# axis=0
#第一步:axis=0对应最外层[],其内最大单位块为:1,2,3,并去掉[]
#第二步:单位块是数值,直接计算:1+2+3=6
>>> import numpy as np
>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 0)
6
#axis=1 即:N维数组,最大能使用axis=N-1
>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 1) # 越界使用,报错
#axis=0
#第一步:axis=0对应最外层[],其内最大单位块为:[1,2] 和 [3,4],并去掉最外层[]
#第二步:单位块是数组,两者对应下标元素进行计算,即:[1+3,2+4]=[4,6]
>>> arr = np.array([[1, 2], [3, 4]])
>>> arr.sum(axis = 0)
array([4, 6])
#axis=1
#第一步:axis=1对应第二层[],其内最大单位块为:第一[]内: 1,2;第二[]内: 3,4,并去掉第二层[]
#第二步:单位块是数值,直接进行计算,即:[1+2,3+4]=[3,7]
>>> arr = np.array([[1, 2], [5, 6]])
>>> arr.sum(axis = 1)
array([3, 11]
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr
array([[[1, 2],
[3, 4]],
[[5, 6],
[7, 8]]])
>>> arr.sum(axis=0)
array([[ 6, 8],
[10, 12]])
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=1)
array([[ 4, 6],
[12, 14]])
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=2)
array([[ 3, 7],
[11, 15]])
第一步:axis=1对应第三层[],其内最大单位块为:第一个[]:1,2;第二个[]:3,4;第三个[]:5,6;第四个[]:7,8,并去掉第三层[]
第二步:单位块是数值,直接进行计算,即:[[1+2,3+4],[5+6,7+8]] = [[3,7],[11,15]]
Python的numpy中axis=0、axis=1、axis=2解释
numpy数组中:
2 数组维度
可以从左至右计算数组的方括号数目,一个方括号是一维数组,两个方括号是二维数组,三个方括号是三维数组。
如: [1, 2, 3]是一维数组、
[[1, 2, 3], [4, 5, 6]]是二维数组、
[ [[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]] ] 是三维数组。
0.3 axis(轴)与数组括号的对应关系
numpy数组都有[]标记,其对应关系:axis=0对应最外层的[],axis=1对应第二外层的[],…,axis=n对应第n外层的[]。
np.reshape()规范:新的排布(shape)应与原始排布兼容
-1它指的是未知的维数
original = np.array([2, 4, 1, 3],
[1, 2, 5, 2])
orginal.shape # (2, 4)
new_1 = orginal.reshape(-1)
print(new_1) # 新排布为(1,8)
array([2, 4, 1, 3, 1, 2, 5, 2])
# 设定新排布的列数为1,行数为未知
new_2 = orginal.reshape(-1, 1)
print(new_2) # 新排布为(8,1)
array([[ 2],
[ 4],
[ 1],
[ 3],
[ 1],
[ 2],
[ 5],
[ 2]])
# 设定新排布的行数为1,列数为未知
new_3 = orginal.reshape(1, -1)
print(new_3) # 新排布为(1,8)
array([2, 4, 1, 3, 1, 2, 5, 2])
items():遍历字典中所有的key 以及value, items():遍历字典中所有的key 以及value返回“key,value"
def hello(**kwargs):
for key,value in kwargs.items():
print (key,value)
hello(name='zhaojinye' ,sex = "nv",husband = "yu")
#输出:
name zhaojinye
sex nv
husband yu
输入为矩阵x
输出为形状和x一致的矩阵,其元素全部为0
>>> import numpy as np
>>> a=np.arange(12)
>>> a=a.reshape(2,2,3)
>>> a
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
>>> b=np.zeros_like(a)
>>> b
array([[[0, 0, 0],
[0, 0, 0]],
[[0, 0, 0],
[0, 0, 0]]])
>>>
矩阵元素的平方根
import numpy
array_2d = numpy.array([[1, 4], [9, 16]], dtype=numpy.float)
print(array_2d)
array_2d_sqrt = numpy.sqrt(array_2d)
print(array_2d_sqrt)
#
[[ 1. 4.]
[ 9. 16.]]
[[1. 2.]
[3. 4.]]