- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章详解Numpy扩充矩阵维度(np.expand_dims, np.newaxis)和删除维度(np.squeeze)的方法由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
在操作矩阵的时候,不同的接口对于矩阵的输入维度要求不同,输入可能为1-D,2-D,3-D等等。下面介绍一下使用Numpy进行矩阵维度变更的相关方法。主要包括以下几种:
1、np.newaxis扩充矩阵维度 。
2、np.expand_dims扩充矩阵维度 。
3、np.squeeze删除矩阵中维度大小为1的维度 。
np.newaxis,np.expand_dims扩充矩阵维度:
1
2
3
4
5
6
7
8
9
10
11
12
|
import
numpy as np
x
=
np.arange(
8
).reshape(
2
,
4
)
print
(x.shape)
# 添加第0维,输出shape -> (1, 2, 4)
x1
=
x[np.newaxis, :]
print
(x1.shape)
# 添加第1维, 输出shape -> (2, 1, 4)
x2
=
np.expand_dims(x, axis
=
1
)
print
(x2.shape)
|
输出结果:
(2, 4) (1, 2, 4) (2, 1, 4) 。
np.squeeze降低矩阵维度:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
"""
squeeze 函数:从数组的形状中删除单维度条目,即把shape中为1的维度去掉
用法:numpy.squeeze(a,axis = None)
1)a表示输入的数组;
2)axis用于指定需要删除的维度,但是指定的维度必须为单维度,否则将会报错;
3)axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空,则删除所有单维度的条目;
4)返回值:数组
5) 不会修改原数组;
"""
import
numpy as np
print
(
"#"
*
40
,
"原始数据"
,
"#"
*
40
)
x
=
np.arange(
10
).reshape(
1
,
1
,
10
,
1
)
print
(x.shape)
print
(x)
print
(
"#"
*
40
,
"去掉axis=0这个维度"
,
"#"
*
40
)
x_squeeze_0
=
np.squeeze(x, axis
=
0
)
print
(x_squeeze_0.shape, x_squeeze_0)
print
(
"#"
*
40
,
"去掉axis=3这个维度"
,
"#"
*
40
)
x_squeeze_3
=
np.squeeze(x, axis
=
3
)
print
(x_squeeze_3.shape, x_squeeze_3)
print
(
"#"
*
40
,
"去掉axis=0, axis=1这两个维度"
,
"#"
*
40
)
x_squeeze_0_1
=
np.squeeze(x, axis
=
(
0
,
1
))
print
(x_squeeze_0_1.shape, x_squeeze_0_1)
print
(
"#"
*
40
,
"去掉所有1维的维度"
,
"#"
*
40
)
x_squeeze
=
np.squeeze(x)
print
(x_squeeze.shape, x_squeeze)
print
(
"#"
*
40
,
"去掉不是1维的维度,抛异常"
,
"#"
*
40
)
try
:
x_squeeze
=
np.squeeze(x, axis
=
2
)
print
(x_squeeze.shape, x_squeeze)
except
Exception as e:
print
(e)
|
输出结果:
######################################## 原始数据 ######################################## (1, 1, 10, 1) [[[[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]]]] ######################################## 去掉axis=0这个维度 ######################################## (1, 10, 1) [[[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]]] ######################################## 去掉axis=3这个维度 ######################################## (1, 1, 10) [[[0 1 2 3 4 5 6 7 8 9]]] ######################################## 去掉axis=0, axis=1这两个维度 ######################################## (10, 1) [[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]] ######################################## 去掉所有1维的维度 ######################################## (10,) [0 1 2 3 4 5 6 7 8 9] ######################################## 去掉不是1维的维度,抛异常 ######################################## cannot select an axis to squeeze out which has size not equal to one 。
参考链接 。
到此这篇关于详解Numpy扩充矩阵维度(np.expand_dims, np.newaxis)和删除维度(np.squeeze)的方法的文章就介绍到这了,更多相关Numpy扩充矩阵维度和删除维度内容请搜索我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我! 。
原文链接:https://blog.csdn.net/cxx654/article/details/105762021/ 。
最后此篇关于详解Numpy扩充矩阵维度(np.expand_dims, np.newaxis)和删除维度(np.squeeze)的方法的文章就讲到这里了,如果你想了解更多关于详解Numpy扩充矩阵维度(np.expand_dims, np.newaxis)和删除维度(np.squeeze)的方法的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
有时评估积分非常困难,但很容易验证解是否正确。在我看来它至少应该是 np,但我对这个概念的理解是有限的,我可能会遗漏一些东西 编辑:为了清楚起见,我很好奇算法的复杂性,该算法找到函数的反导数以解决不定
我对这三个类别的理解是否正确? 要证明问题 X 是 NP: 表明 X 可以在多项式时间内确定性地得到验证(或者X 可以使用 NTM 解决) 要证明问题 X 是 NP 完全的: 表明 X 可以在多项式时
有什么区别NP , NP-完全和 NP-Hard ? 我知道网上有很多资源。我想阅读你的解释,原因是它们可能与外面的不同,或者有一些我不知道的东西。 最佳答案 我假设您正在寻找直观的定义,因为技术定义
我正在寻找一种方法来检查 numpy 数组是 np.float64 还是 np.float32。这适用于 np.float64: a = np.random.rand(10) if not issub
我知道 np.nanargmin 找到列表中不是 NaN 的最小数字。但是,如果调用数组 [np.nan, np.inf],它会产生 0,这是一个 NaN。我发现这种行为很奇怪,我只是想知道以这种方式
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 这个问题似乎与 help center 中定义的范围内的编程无关。 . 关闭 8 年前。 Improve
我很好奇使用 np.empty 到底有多大不同?而不是 np.zeros ,以及关于 np.ones 的区别.我运行这个小脚本来对每个创建大型数组所花费的时间进行基准测试: import numpy
在操作矩阵的时候,不同的接口对于矩阵的输入维度要求不同,输入可能为1-D,2-D,3-D等等。下面介绍一下使用Numpy进行矩阵维度变更的相关方法。主要包括以下几种: 1、np.newaxis扩充
除了使用一组 or 语句之外 isinstance( x, np.float64 ) 或 isinstance( x, np.float32 ) 或 isinstance( np.float16 )
我尝试了以下代码,但没有发现 np.dot 和 np.multiply 与 np.sum 之间的区别 这里是 np.dot 代码 logprobs = np.dot(Y, (np.log(A2)).T
我编写了一些程序来更新 numpy在每次迭代中列出并对其进行一些操作。迭代次数取决于时间。例如在 1 秒内,可能有 1000 到 2500 次迭代。这意味着 numpy 列表中的项目对于运行程序 1
我有以下两个数据框: a = pd.DataFrame([[1,2, 3],[4,3,6], [np.nan, 2, np.nan]]) 0 1 2 0 1.0 2 3.0 1
我有一个包含很多非零值的数组。当我使用以下方法计算非零项目总数时,我得到了 2 个不同的结果: 1) non_zero_weights = np.any(np.not_equal(lr_l1.coef
我对这么多int有点挣扎cython 中的数据类型。 np.int, np.int_, np.int_t, int 我猜 int在纯python中相当于np.int_ , 那么 np.int 在哪里来
如果您要选择以下三种初始化零数组的方法之一,您会选择哪一种以及为什么? my_arr_1 = np.full(size, 0) 或 my_arr_2 = np.zeros(size) 或 my_arr
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在读这个code ,用于从头开始实现线性回归: # convert from data frames to numpy matrices X = np.matrix(X.values) y = n
我正在解压缩具有许多不同数据类型的大型二进制文件 (~1GB)。我正处于创建循环以隐藏每个字节的早期阶段。我一直在使用 struct.unpack,但最近认为如果我使用 numpy 它会运行得更快。然
我需要从依存分析树中提取形式为 NP-VP-NP 的三元组,作为 Stanford Parser 中词汇化分析的输出。 执行此操作的最佳方法是什么。例如如果解析树如下: (ROOT (S
我是一名优秀的程序员,十分优秀!