关于numpy矩阵和矩阵索引的数字类型

矩阵整体和矩阵元素

1.起因

在训练网络时,由于内存原因,把原始的图片归一化代码做了修改,不确定能否解决内存溢出的问题,但是发现了新的问题,其余部分不改变,仅做此修改,网络的训练效果顿时开始原地踏步。

images=images/255  #原始代码

for i in range(images.shape[0]):
        images[i]=images[i]/255  #更改后代码
        
#其中images为读入的2000*300*300的numpy数组

上图为原始代码实验结果。

上图为修改后代码实验结果,其中eopch由25改为10.

2.测试两种方式的区别

确定问题发生在上述代码段后,开始测试。

a=np.ones((1,3,3),dtype='uint8')
b=np.ones((1,3,3),dtype='uint8')
c=copy.deepcopy(a)
for i in range(a.shape[0]):
    a[i]=a[i]/2

b=b/2
print('the c is :\n',c)
print('the a is :\n',a)
print('the b is :\n',b)`

得到结果如下

the c is : 
[[[1 1 1]      
  [1 1 1]
  [1 1 1]]]
the a is :
 [[[0 0 0]      
  [0 0 0]
  [0 0 0]]]
the b is : 
[[[0.5 0.5 0.5]
  [0.5 0.5 0.5]
  [0.5 0.5 0.5]]]

显然,索引矩阵元素进行除法操作时,矩阵元素和除数都是整型,得到结果也是整型,而对矩阵整体进行除法操作时,结果可能为浮点型。

3.进一步测试

对三阶矩阵索引时,a[i]为二阶矩阵,测试出现这种现象是否和矩阵的阶数有关。代码如下:

a=np.ones((1,3),dtype='uint8')
b=np.ones((1,3),dtype='uint8')
#,使用二阶矩阵测试,其他部分不变,输出结果如下
the c is : [[1 1 1]]      
the a is : [[0 0 0]]      
the b is : [[0.5 0.5 0.5]]
#-----------------------------
a=np.ones((1,1,3,3),dtype='uint8')
b=np.ones((1,1,3,3),dtype='uint8')
#使用四阶矩阵测试,其他部分不变,输出结果如下
the c is : 
[[[[1 1 1]
   [1 1 1]
   [1 1 1]]]]
the a is :
 [[[[0 0 0]
   [0 0 0]
   [0 0 0]]]]
the b is :
 [[[[0.5 0.5 0.5]
   [0.5 0.5 0.5]
   [0.5 0.5 0.5]]]]

发现不受矩阵阶数影响,下面测试改变除(乘)数的不同情况。

for i in range(a.shape[0]):
    a[i]=a[i]/2.0
b=b/2.0
#输出结果如下
the c is : [[1 1 1]]
the a is: [[0 0 0]]
the b is: [[0.5 0.5 0.5]]

即使将除数写为2.0,通过矩阵索引得到的结果依然是整型。

下面测试乘法


for i in range(a.shape[0]):
    a[i]=a[i]*1
b=b*1
#分别乘1,输出结果如下
the c is : [[1 1 1]]
the a is : [[1 1 1]]
the b is : [[1 1 1]]
#--------------------------
for i in range(a.shape[0]):
    a[i]=a[i]*1.0
b=b*1.0
#分别乘1.0,输出结果如下
the c is : [[1 1 1]]
the a is : [[1 1 1]]
the b is : [[1. 1. 1.]]

如果被除数可以被整除,结论同上

a=4*np.ones((1,3),dtype='uint8')
b=4*np.ones((1,3),dtype='uint8')
c=copy.deepcopy(a)
for i in range(a.shape[0]):
    a[i]=a[i]/2
b=b/2
#输出结果如下
the c is : [[4 4 4]]#乘4之后的结果,我们的被除数在这里是整型
the a is : [[2 2 2]]
the b is : [[2. 2. 2.]]

4.结论

原始矩阵为整型矩阵索引整个矩阵
除以整型整型浮点型
除以浮点型整型浮点型
乘整型整型整型
乘浮点型整型浮点型

注:该结果不受矩阵阶数的影响

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
numpy中,可以使用下标或者切片来访问矩阵元素。例如,对于一个二维矩阵a,可以使用a[i][j]或a[i,j]来访问第i行第j列的元素。这里的i和j都是从0开始的整数索引。 另外,numpy还支持使用布尔值数组、整数数组和切片对象来进行高级索引。例如,可以使用一个布尔值数组b来选取矩阵a中所有满足条件的元素: ```python import numpy as np a = np.array([[1, 2], [3, 4], [5, 6]]) b = np.array([[True, False], [False, True], [True, False]]) print(a[b]) ``` 输出结果为: ``` [1 4 5] ``` 其中,b中的每个元素表示对应位置的元素是否被选中。在这个例子中,b表示选取第1行第1列和第3行第1列的元素。因此,输出结果为1、4和5。 除了布尔值数组之外,还可以使用整数数组和切片对象来进行高级索引。例如,可以使用一个整数数组c来选取矩阵a中指定位置的元素: ```python c = np.array([0, 1, 0]) print(a[c]) ``` 输出结果为: ``` [[1 2] [3 4] [1 2]] ``` 其中,c中的每个元素表示对应位置的行索引。在这个例子中,c表示选取第1行、第2行和第1行的元素。因此,输出结果为一个新的矩阵,其中第1行和第3行的元素重复出现了。 最后,对于多维矩阵,可以使用多个切片对象来进行索引。例如,可以使用下面的语句来选取矩阵a的第1和第3行,以及第2和第3列的元素: ```python print(a[[0,2]][:,1:]) ``` 输出结果为: ``` [[2] [6]] ``` 其中,a[[0,2]]表示选取第1和第3行的元素,而[:,1:]表示选取第2和第3列的元素。因此,输出结果为2和6。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值