Python：敲代码做笔记

本文主要是介绍Python：敲代码做笔记，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

1. np.transpose()

函数原型：

transpose(a, axes=None)

参数：

• a：输入数组
• axes：可选的一组list，根据给定的list调换数组各位置的值（我也不知道怎么表述，直接看下面的例子吧），默认将数组各维度反转（矩阵转置）

返回值：ndarray类型，变换后的数组视图

示例1：一维数组

import numpy as np
t = np.arange(4)
print(t)
print(t.transpose())

输出：

[0, 1, 2, 3]
[0, 1, 2, 3]

可以看出这个方法对一维数组不管用

示例2：二维数组

two = np.arange(16).reshape(4, 4)
print(two)
print(two.transpose())

输出：

[[0, 1, 2, 3],
 [4, 5, 6, 7],
 [8, 9, 10, 11],
 [12, 13, 14, 15]]
[[0, 4, 8, 12],
 [1, 5, 9, 13],
 [2, 6, 10, 11],
 [3, 7, 11, 15]]

对二维数组的操作默认就是矩阵转置；

示例3：三维数组

three = np.arange(18).reshape(2, 3, 3)
print(three)
print(three.transpose())

输出：

[[[0, 1, 2],
  [3, 4, 5],
  [6, 7, 8]],
 [[9, 10, 11],
  [12, 13, 14],
  [15, 16, 17]]]

[[[0, 9],
  [3, 12],
  [6, 15]],
 [[1, 10],
  [4, 13],
  [7, 16]]

详解：
数组three的原始axes为(0, 1, 2)，那么transpose()默认的参数axes为：(2, 1, 0)
先看原始数组各值对应的索引：

three[0][0][0]=0; three[0][0][1]=1; three[0][0][2]=2;
three[0][1][0]=3; three[0][1][1]=4; three[0][1][2]=5;
three[0][2][0]=6; three[0][2][1]=7; three[0][2][2]=8;
three[1][0][0]=9; three[1][0][1]=10; three[1][0][2]=11;
three[1][1][0]=12; three[1][1][1]=13; three[1][1][2]=14;
three[1][2][0]=15; three[1][2][1]=16; three[1][2][2]=17;

再看经过transpose()后的数组x，主要操作就是将各个元素的对应下标换一下

three[0][0][0]=0; three[1][0][0]=1; three[2][0][0]=2;
three[0][1][0]=3; three[1][1][0]=4; three[2][1][0]=5;
three[0][2][0]=6; three[1][2][0]=7; three[2][2][0]=8;
three[0][0][1]=9; three[1][0][1]=10; three[2][0][1]=11;
three[0][1][1]=12; three[1][1][1]=13; three[2][1][1]=14;
three[0][2][1]=15; three[1][2][1]=16; three[2][2][1]=17;

看一下对图像的操作：

import cv2 as cv
import numpy as np

img = cv.imread("C:\\Users\\mac\\Pictures\\0.jpg")
cv.imshow('img', img)

img = np.transpose(img, (1, 0, 2))

cv.namedWindow('img', cv.WINDOW_AUTOSIZE)
cv.imshow('img2', img)
cv.waitKey(0)
cv.destroyAllWindows()

原始图像：
变换后的图像：

参考链接：

1. np.transpose的作用及在图像操作中的使用
2. np.transpose

2. torchvision.utils.make_grid()

用于把几个图像按照网格排列的方式绘制出来。
函数原型：

make_grid(
    tensor: Union[torch.Tensor, List[torch.Tensor]],
    nrow: int = 8,
    padding: int = 2,
    normalize: bool = False,
    range: Optional[Tuple[int, int]] = None,
    scale_each: bool = False,
    pad_value: int = 0,
)

参数：

• tensor：4D张量，形状为(BxCxHxW)，分别表示样本数，通道数，图像高度，图像宽度。或者是一个图像列表
• nrow：每行的图片数量，默认为8
• padding：相邻图像之间的间隔，默认为2
• normalize：如果为True，则把图像的像素值通过range指定的最大值和最小值归一化到0-1；默认为False
• scale_each：如果为True，就单独对每张图像进行normalize；如果是False，统一对所有图像进行normalize；默认为False
• pad_value：float，图像之间的空隙，默认为0

示例1

from torchvision.utils import make_grid
import numpy as np
import torch
import matplotlib.pyplot as plt

def show(img):
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)), interpolation='nearest')

images = torch.FloatTensor(100 * np.random.normal(0, 1, (25, 1, 28, 28)))

show(make_grid(images, nrow=5, padding=10, pad_value=0))
plt.show()

显示结果：
### 参考链接：

1. Pytorch save_image和make_grid函数详解

这篇关于Python：敲代码做笔记的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！