list用法
li = []
li2 = [1, 2, 3]
li.append([li2, 0])
print(li)
输出得到:
[[[1, 2, 3], 0]]
这种方法比直接操作array灵活得多。
list缺陷
q = [[0] * 5] * 5
print(q)
q[1][1] = 9
print(q)
[[0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]]
[[0, 9, 0, 0, 0], [0, 9, 0, 0, 0], [0, 9, 0, 0, 0], [0, 9, 0, 0, 0], [0, 9, 0, 0, 0]]
改变一个值,其他值也都改变了。
所以使用另一种方法构建:
q = [[0 for i in range(5)] for j in range(5)]
print(q)
q[1][1] = 1
print(q)
[[0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]]
[[0, 0, 0, 0, 0], [0, 1, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]]
numpy
两个数组做实验
a = np.array([[1, 2, 3], [1, 2, 3]])
b = np.array([[4, 5, 6], [4, 5, 6]])
水平堆叠:
c = np.hstack((a, b))
print(c)
[[1 2 3 4 5 6]
[1 2 3 4 5 6]]
# 效果等同于这句
c = np.concatenate((a, b), axis=1)
垂直堆叠:
c = np.vstack((a, b))
print(c)
[[1 2 3]
[1 2 3]
[4 5 6]
[4 5 6]]
# 效果等同于这句
c = np.concatenate((a, b), axis=0)
深度堆叠:
c = np.dstack((a, b))
print(c)
[[[1 4]
[2 5]
[3 6]]
[[1 4]
[2 5]
[3 6]]]
轴变换:
c = c.transpose((1, 0, 2))
print(c.shape)
print(c)
(3, 2, 2)
[[[1 4]
[1 4]]
[[2 5]
[2 5]]
[[3 6]
[3 6]]]
保存与读取,并且转化成list文件
保存:
li_arr = np.array(li)
np.save("Q_Value/File_list.npy", li_arr)
读取:
a = np.load("Q_Value/File_list.npy", allow_pickle=True)
转化成list文件:
li = a.tolist()
matplotlib
以黑白显示图片
plt.imshow(b, cmap='gray')
plt.show()
程序加速
numba
用来加速函数
from numba import jit
@jit
def function():
GUP加速
使用GPU加速
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
不过我的这个测试中,并没有用。。。