机器视觉学习笔记（一）np.zeros和np.ones函数

np.zeros和np.ones函数总结

列表、元组、数组的不同：
列表： 即list, 是python内置的数据类型；列表内的值是可以改变的； 使用列表赋值时，得到了原始列表的引用， 所以呢，它们共享内存，如果修改其中一个，另一个也会修改了。 它的形式是： a = [1, 2, 3, 4, 5]
元组： 即tuple，也是python内置的类型；元组内的值是不可以改变的。 它的形式是： b = (1, 2, 3, 4, 5)
数组： 数组是 numpy模块里的ndarray对象， 它可以表示多维数组。
其次，为什么numpy中的数组ndarray的存储形式与list的形式的不同：
numpy的ndarry的类型是这样的[ 1 2 3 4 5] 中间是没有逗号的。
而python的基本类型list 是[ 1 ，2， 3，4， 5]这样的。

列表是python中最原始的一种数据类型，这种数据类型可能占用的空间以及运算速度会比numpy慢很多
使用方法如下：
import numpy as np

a = np.array([[1 ,2 ,4 ,5 ,3],
[51,86,43,29,64]])

b = np.ones(shape) #根据shape生成一个全1数组，shape是元组类型
c = np.zeros(shape) #根据shape生成一个全0数组，shape是元组类型
1234567
一开始没有注意到shape是元组类型，于是产生了一个疑问。
shape到底是一个元组呀还是一个数组（列表）？
于是，我就试了试一下两种代码：
b = np.ones((3,6))
b = np.ones([3,6])
12
发现两者都能创建成功，而且编译器也没报错，然后我的疑问就更大了，就去看这俩函数的底层，如下：
@set_module(‘numpy’)
def ones(shape, dtype=None, order=‘C’):
“”"
Return a new array of given shape and type, filled with ones.

Parameters
----------
shape : int or sequence of ints
    Shape of the new array, e.g., ``(2, 3)`` or ``2``.
dtype : data-type, optional
    The desired data-type for the array, e.g., `numpy.int8`.  Default is
    `numpy.float64`.
order : {'C', 'F'}, optional, default: C
    Whether to store multi-dimensional data in row-major
    (C-style) or column-major (Fortran-style) order in
    memory.

Returns
-------
out : ndarray
    Array of ones with the given shape, dtype, and order.

123456789101112131415161718192021
发现，底层解释中shape为：
int or sequence of ints
Shape of the new array, e.g., (2, 3) or 2.
意思是： int或int的序列
新数组的形状，例如，(2, 3)或2 。
因此，我理解是——
其中，序列的含义为：列表、元组、数组或其他序列类型。所以，shape只要是个int的序列就行了。
但是，我在网上查了大部分的教程发现在介绍shape时都是直接说shape是一个元组，至于原因也没说，就去查了一下官方文档如下：
对于shape函数，官方文档是这么说明：
the dimensions of the array. This is a tuple of integers indicating the size of the array in each dimension.
意思是：数组的维度。这是一个整数的元组，元组中的每一个元素对应着每一维度的大小(size)。
既然，官方文档已经明确指出shape为整数的元组，那我们平时在使用的时候也就用元组，不要去用list以避免造成不必要的错误。
总结：
numpy中数组的shape属性的特点——
1.元组元素的个数等于数组的维度
2.元组中每一个元素又代表每一维度的size（元素的个数0）
3.元组中从左到右，依次为第一维度中元素的个数，第二维度中元素的个数…第n维度元素的个数
例如：若某一个numpy数组a 调用shape输出为(1,2,3,4) 我们根据上面的结论，就可以很快的知道这是一个4维的数组。
其中，第一个维度只有1个元素。第二个维度有2个元素，第三个维度也有3个元素，最后的第四个维度有4个元素。
对于二维的元组(n,m)可以看作为一个二维数组，也就可以看成一个具有n行m列的矩阵。
转载：https://blog.csdn.net/henu1710252658/article/details/98509533?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-2&spm=1001.2101.3001.4242