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

np.hstack(array1,array2)

np.vstack vertical 竖直方向拼接

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
b = np.zeros(a.shape，dtype='float32')
dtype = np.int 
dtype = 'int8'