溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
今天做數據處理時，遇到了從三維數組中批量加入二維數組的需求。其中三維數組在深度學習的特征數據處理時經常會使用到，所以讀者有必要對該小知識點做到清楚了解并掌握。現對三維數組中的元素位置結合代碼做詳細歸納總結，方便日后查閱和為網友答疑！
圖示效果圖：
直接貼代碼：
def test3D(): import numpy as np data_array = np.zeros((3, 5, 6), dtype=np.int) data_array[1, 2, 2] = 1 print(data_array)
介紹：通過np.zeros創建一個3行5列6個通道的三維數組，并給第二個通道的第一行第二列賦值1.
運行結果圖：
分析： 有運行結果可知，創建了六個通道，在深度學習中這六個通道相當于六個Feature Map，對應結果圖中的六列。
再向外看一層，共有三個塊，每個塊代表這個通道的第幾行數據。
每個塊里有五行數據，每一行代表每個通道的第幾列數據
所以，代碼中的賦值語句： data_array[1, 2, 2] = 1
表示為第2個通道，下標從0開始，所以在圖中位置為第三列；第1行第2列，下標從0開始，所以圖中表示第二個塊的第三行；即為圖中所示位置。
補充：三維數組的求和
多維數組的軸（axis=）是和該數組的size（或者shape）的元素是相對應的；
>>> np.random.seed(123) >>> X = np.random.randint(0, 5, [3, 2, 2]) >>> print(X) [[[5 2] [4 2]] [[1 3] [2 3]] [[1 1] [0 1]]] >>> X.sum(axis=0) array([[7, 6], [6, 6]]) >>> X.sum(axis=1) array([[9, 4], [3, 6], [1, 2]]) >>> X.sum(axis=2) array([[7, 6], [4, 5], [2, 1]])
如果將三維數組的每一個二維看做一個平面（plane，X[0, :, :], X[1, :, :], X[2, :, :]），三維數組即是這些二維平面層疊（stacked）出來的結果。則（axis=0）表示全部平面上的對應位置，（axis=1），每一個平面的每一列，（axis=2），每一個平面的每一行。
以上這篇numpy中三維數組中加入元素后的位置詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
