numpy——stack

np.stack(array,axis,out=None),函数原型。
其中最重要是的这个axis怎么理解的。
举例说明:
arrays = [np.random.randn(3, 4) for _ in range(10)]
会生成一个 10 *( 3 * 4 )的矩阵列表。十个矩阵,每个矩阵是(3 * 4)大小。
首先说明一下axis的映射。在这个例子中,10->axis=0 ,3->axis=1

>>>np.stack(arrays,axis=1)
array([[[-0.42233185, -0.13270788, -0.47724388, -1.48881134],[ 0.2284937 , -0.30139984,  0.15633374,  0.04428078],[ 2.0193316 ,  0.1098357 , -0.32044757, -1.24868601],[ 0.9859909 , -0.42781564,  0.57524126,  0.58154297],[-0.13059124,  2.15207301,  0.36007904, -0.71344781],[-1.68010975,  1.25350273,  0.11073033, -0.28531604],[ 0.60021096, -0.18691447,  1.49261775,  0.47628294],[-0.18268831, -0.32463742, -0.89726008,  0.19245843],[-0.27384598,  0.56068318,  1.57096001,  1.11169077],[ 0.27035354, -0.54258351, -0.69891459,  1.84282464]],[[ 1.44874184, -1.6645958 ,  1.14128754, -2.26945958],[ 0.28754711, -1.59591539, -0.92798468, -0.05021877],[ 1.09050239, -0.86881164, -0.59820951, -0.39628311],[-1.09540304, -0.33438594, -0.71075442, -1.48691938],[ 0.7155825 ,  0.24710929, -0.65019501, -1.24407802],[-0.11059045, -1.57851632,  1.34142995, -0.44438407],[ 0.9258746 ,  1.62418684, -0.25380587, -1.1423341 ],[-1.76337136,  0.55031978,  1.25834475,  0.53257722],[ 0.05755626,  1.16156935, -1.84999546,  1.57175386],[ 0.48836813, -0.21907532, -0.78655392,  0.51705705]],[[-0.24451876, -0.09881284,  1.17611246,  0.81276037],[ 0.89510841,  0.9106155 ,  0.4923826 , -0.07364133],[-0.0670429 ,  0.72968107, -1.31473173, -0.31313322],[ 0.62314248,  0.97792175,  0.0840199 , -0.38035465],[ 0.70222737,  0.53761069,  0.50546661, -2.02777762],[-0.85454667, -0.76359383, -0.25280887, -0.94252057],[ 0.38294622, -0.38729216,  0.03757319, -0.48955485],[ 1.52718003,  1.14814816,  1.33147053, -0.50341043],[-0.38600834,  0.19781327, -0.35596671,  1.59331045],[-0.07073478, -1.4710414 ,  1.95192939, -0.83379204]]])
>>> np.stack(arrays, axis=1).shape
(3, 10, 4)

为什么会变成 3 * 10 * 4了呢。首先我们的函数是对 10 * 3 * 4 中的3,也就是axis=1,进行了堆叠。
那么这个 axis = 1,在十个矩阵中代表什么呢?代表 每个矩阵中的一行。所以这个函数的操作就是,把10矩阵中的第i行拿出来拼成一个矩阵。因为一个矩阵有三行,所以堆叠后的矩阵就是,3 * 10 * 4,这个10 * 4,就是原来矩阵中,十个矩阵的第一行,第二行,第三行,拼接而成的。所以是 3 * 10 * 4。




参考:https://www.jianshu.com/p/828ee070789b
 

 

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/256388.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

C# —— 简单工厂设计模式详述

一、基本概念 众所周知,C#是一种面向对象的语言,而其中封装,继承,多态是面向对象的三大重要特征,简单工厂的设计模式则可以完全体现这些特征。要彻底理解这个模式,必须要先将封装(访问修饰符的…

【计算机视觉】计算机视觉、模式识别、机器学习常用牛人主页链接

计算机视觉、模式识别、机器学习常用牛人主页链接 牛人主页(主页有很多论文代码) Serge Belongie at UC San DiegoAntonio Torralba at MITAlexei Ffros at CMUCe Liu at Microsoft Research New EnglandVittorio Ferrari at Univ.of EdinburghKristen G…

C# 中的 ConfigurationManager类引用方法

c#添加了Configuration;后,竟然找不到 ConfigurationManager 这个类,后来才发现:虽然引用了using System.Configuration;这个包,但是还是不行的。 后来终于找到一个解决方法,就是在解决方案资源管理器里找到类文件选择…

机器学习——支持向量机SVM之python实现简单实例一(含数据预处理、交叉验证、参数优化等)

目录 一、SVM理论 二、numpy的相关函数介绍 三、python实现之准备 1、数据集的下载

工业相机常用类型详述

一、工业相机定义 工业相机是应用于工业领域、安防和交通等对相机要求较高领域的摄像机,功能就是将光信号转变成有序的电信号,此信号经过模数转换为数字信号,然后传递给图像处理器。与一般的家用相机相比,其具有更高的稳定性能&a…

机器学习——SVM之python实现数据样本标准化和归一化

目录 一、标准化和归一化的目的 1、标准化 2、归一化 二、标准化和归一化常用的理论公式 1、归一化 2、标准化 三、python实现SVM样本数据标准化和归一化 1、标准化 2、归一化 本文源代码:《机器学习——支持向量机SVM之python实现简单实例一》 一、标准化…

[黑群晖经典教程] 一步一步建立自己的黑群晖

【申明:本文并非本人所作,为内部网络中一位大神所写,个人觉得写得很好,遂原文搬了过来,如有侵犯原作者的权利,请及时与我联系】 PS:有好几个兄弟觉得我擅自转发,不是很妥。解释一下:…

Java为什么能跨平台运行

因为java程序编译之后的代码不是能被硬件系统直接运行的代码,而是一种“中间码”--字节码。不同的硬件平台上装有不同的java虚拟机(JVM),由JVM来把字节码再翻译成所对应的硬件平台能够执行的代码,因此java可以跨平台运…

C++和Opencv4.5 实现全景图像拼接

前言 最近刚下了最新版的opencv4.5,急不可待的试下操作,就用了opencv自带的Stitcher类拼接下图像,结果傻眼了,程序显示Stitcher没有createDefault成员,看了好久,终于找到了解决方法。 Stitcher原理 Stit…

机器学习——python实现SVM模型w,b的查看

基于源代码:《机器学习——支持向量机SVM之python实现简单实例一》进行讲解 1、线性模型 这里以二特征三类,一对多策略为案例 kernel “linear”:线性核,参数有w,b 线性模型的决策边界是:w0iTx0i w1i…

Codeforces-712C-Memory and De-Evolution

转载于:https://www.cnblogs.com/GrowingJlx/p/6642764.html

移动端输入框弹出键盘控制

在移动端,我们公司通过输入框主要收集用户的姓名和电话,以下是对输入框获取焦点时,控制弹出键盘的样式来增强用户体验。 输入姓名 我们的用户都是中国人,输入用户名为中文,所以弹出键盘是输入中文状态即可,…

Opencv4.5-C++ 摄像头画面镜像显示及文件保存

前言 想试下新买电脑的摄像头好用不&#xff0c;就写了个摄像头调用程序&#xff0c;实现了镜像和图片截取保存。 代码 #include <iostream> #include <opencv2/stitching.hpp> #include <opencv2\opencv.hpp> #include <opencv2/highgui/highgui.h…

机器学习之支持向量机SVM之python实现ROC曲线绘制(二分类和多分类)

目录 一、ROC曲线 二、TP、FP、TN、FN 三、 python绘制ROC曲线(二分类) 1、思路 2、关键代码

easyui datagrid 列拖动

实现代码-code <script type"text/javascript"> $.extend($.fn.datagrid.methods, { columnMoving: function(jq) { return jq.each(function() { var target this; var cells $(this).datagrid(getPanel).find(div.datagrid-header td[field]); cells.dragg…

window linux IPC ftok BY_HANDLE_FILE_INFORMATION

看这题目就很乱&#xff0c;心情当然也是不怎么美好了。前一段时间做了一个项目&#xff0c;AIX(Unix的一种&#xff09;中的一个系统向WINDOWS移植&#xff0c;开发环境由IBM的C/C(叫什么忘记了&#xff0c;好像是xlC)变为VC。 这是算过来&#xff0c;但是最近进程通信的信号量…

相机标定(一) —— 深入理解齐次坐标及其作用

一、什么是齐次坐标和齐次坐标系 齐次坐标 齐次坐标是一个相机标定问题的关键理论之一&#xff0c;所以就此问题分析一下。 单从定义上来讲&#xff0c;齐次坐标&#xff08;投影坐标&#xff09;就是用N1维来代表N维坐标&#xff08;点和向量&#xff09;&#xff0c;也可说…

机器学习——图解SVM中gamma和c参数的作用

参数c和gamma的作用 我们通过下图详解参数c的作用&#xff0c;首先我们以一个简单的线性分类器为例&#xff0c;上一个博客中我们知道影响分类器的主要因素是支持向量&#xff0c;即虚线上的样本&#xff0c;如下图可知&#xff1a; 但当正负样本的分布在如下情况时&#xff0…

关于结构体里面结构体的申明和使用

申请&#xff1a; typedef struct Vo{int Voltage;float Delay_ms;char Enable;}Volt_Def;typedef struct ed{float Delay_ms;int Level;}Edge_Def;typedef struct Ed_hard{Edge_Def a;Edge_Def b;Edge_Def c;}HARD_RESET;int power_sel 0xff;typedef struct power_x{Volt_Def…

面试题(十四)

唐巧前辈说这些都是 iOS 的基础问题&#xff0c;应该对此深入的了解。当初看到时&#xff0c;大部分回答不上来&#xff0c;因为平时没有好好思考整理过。这里大部分的概念大多会在学习 OC 的过程中遇到过&#xff0c;但还是得经过写代码才能有更深的理解。反正我当初看那些设计…