在深度学习代码中遇到的问题-shape[0]、shape[1]、shape[2]的区别

对于图像来说：

        img.shape[0]：图像的垂直尺寸（高度）

        img.shape[1]：图像的水平尺寸（宽度）

        img.shape[2]：图像的通道数

举例来说，下面是一张300X534X3的图像，我们用代码，进行验证。

    

代码如下：

import matplotlib.image as mpimg  # mpimg 用于读取图片

if __name__ == '__main__':
    img = mpimg.imread('cat.jpg')  # 读取和代码处于同一目录下的 img.png
    # 此时 img 就已经是一个 np.array 了，可以对它进行任意处理
    print(img.shape)  # (512, 512, 3)
    print(img.shape[0])
    print(img.shape[1])
    print(img.shape[2])

运行结果如下：

(300, 534, 3)
300
534
3

由此证明，上述结果是没有问题的。

而对于矩阵来说：

        shape[0]：表示矩阵的行数

        shape[1]：表示矩阵的列数

 

举例如下：

  import numpy as np

if __name__ == '__main__':
    w = np.array([[1, 2, 3], [4, 5, 6]])  # 2X3的矩阵
    print(w.shape)
    print(w.shape[0])
    print(w.shape[1])

运行结果如下：
 

(2, 3)
2
3

由此证明，上述结果是没有问题的。