axis=0 axis=1 axis=2 在numpy中的区别
Posted vodka、
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了axis=0 axis=1 axis=2 在numpy中的区别相关的知识,希望对你有一定的参考价值。
背景:
在图像数据处理的过程中,处理的数据大多是矩阵或者多维数组。同时,对多维数组或者矩阵的操作有多种可能,为了帮助实现对数组或矩阵各种各样的功能,就有了axis这一参数。
样例:
1 随机创建一个三维数据:
import numpy as np
# 创建从0到15的矩阵:深度为2,4行2列(reshape的第一个参数为深度,其次是行,最后是列)
arr = np.arange(16).reshape(2,4,2)
打印所创建的矩阵:
[[[ 0, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7]],
[[ 8, 9],
[10, 11],
[12, 13],
[14, 15]]]
2 执行各种操作及其对应结果
(1)求和操作:
# 对数组执行sum操作
result_0 = arr.sum(axis=0)
result_1 = arr.sum(axis=1)
result_2 = arr.sum(axis=2)
print('result_0:',result_0,'result_1:',result_1,'result_2:',result_2)
输出结果:
result_0:
[[ 8, 10]
[12, 14]
[16, 18]
[20, 22]]
result_1:
[[12, 16]
[44, 48]]
result_2:
[[ 1, 5, 9, 13]
[17, 21, 25, 29]]
可见当axis=0时,表示通道方向,是对各个通道上相同位置的元素进行求和;
当axis=1时,是对矩阵每一列求和;
当axis=2时,是对矩阵每一行求和。
(2)求最小值
result_0 = arr.min(axis=0)
result_1 = arr.min(axis=1)
result_2 = arr.min(axis=2)
print('result_0:',result_0,'result_1:',result_1,'result_2:',result_2)
输出结果:
result_0:
[[ 0, 1]
[ 2, 3]
[ 4, 5]
[ 6, 7]]
result_1:
[[0, 1]
[8, 9]]
result_2:
[[0, 2, 4, 6]
[8, 10, 12, 14]]
其他运算法则同理可推,只需牢记axis的数值和reshape()中的参数是一致的即可。
以上是关于axis=0 axis=1 axis=2 在numpy中的区别的主要内容,如果未能解决你的问题,请参考以下文章
axis=0 axis=1 axis=2 在numpy中的区别
axis=0 axis=1 axis=2 在numpy中的区别
Python之NumPy(axis=0/1/2...)的透彻理解
numpy操作1--任务一:单通道图像转三通道理解/任务二:按axis=0或axis=1或axis=2(轴)堆叠(stack)