zrozumienie funkcji dstack numpy
Mam problem ze zrozumieniem, co faktycznie robi funkcja numpy. Dokumentacja jest dość skąpa i po prostu mówi:
Stosuj tablice w głębi sekwencji (wzdłuż trzeciej osi).
Pobiera sekwencję tablic i układa je wzdłuż trzeciej osi aby utworzyć jedną tablicę. Przebudowuje tablice podzielone przez
dsplit
. Jest to prosty sposób na układanie tablic 2D (obrazów) w jeden Tablica 3D do przetwarzania.
Więc albo jestem naprawdę głupi, a znaczenie tego jest oczywiste, albo wydaje mi się, że mam jakieś błędne wyobrażenie o terminach "układanie", "w kolejności", "mądrość głębokości" lub "wzdłuż osi". Jednak odniosłem wrażenie, że dobrze zrozumiałem te terminy w kontekście vstack
i hstack
.
Weźmy ten przykład:
In [193]: a
Out[193]:
array([[0, 3],
[1, 4],
[2, 5]])
In [194]: b
Out[194]:
array([[ 6, 9],
[ 7, 10],
[ 8, 11]])
In [195]: dstack([a,b])
Out[195]:
array([[[ 0, 6],
[ 3, 9]],
[[ 1, 7],
[ 4, 10]],
[[ 2, 8],
[ 5, 11]]])
Po pierwsze, a
i b
nie mają trzeciej osi, więc jak miałbym je ułożyć wzdłuż " trzeciej osi " na początek? Po drugie, zakładając a
i {[6] } są reprezentacjami obrazów 2D, dlaczego kończę z trzema tablicami 2D w wyniku, w przeciwieństwie do dwóch tablic 2D 'w sekwencji'?
4 answers
Łatwiej zrozumieć, co np.vstack
, np.hstack
i np.dstack
* wykonaj patrząc na atrybut .shape
tablicy wyjściowej.
Używając dwóch przykładowych tablic:
print(a.shape, b.shape)
# (3, 2) (3, 2)
-
np.vstack
łączy się wzdłuż pierwszego wymiaru...print(np.vstack((a, b)).shape) # (6, 2)
-
np.hstack
łączy się wzdłuż drugiego wymiaru...print(np.hstack((a, b)).shape) # (3, 4)
-
I
np.dstack
konkatenaty wzdłuż trzeciego wymiaru.print(np.dstack((a, b)).shape) # (3, 2, 2)
Od a
i b
są dwuwymiarowe, np.dstack
rozszerza je wstawiając trzeci wymiar wielkości 1. Jest to równoznaczne z indeksowaniem ich w trzecim wymiarze za pomocą np.newaxis
(lub alternatywnie, None
) w następujący sposób:
print(a[:, :, np.newaxis].shape)
# (3, 2, 1)
If c = np.dstack((a, b))
, then c[:, :, 0] == a
and c[:, :, 1] == b
.
Możesz zrobić tę samą operację bardziej wyraźnie używając np.concatenate
Tak:
print(np.concatenate((a[..., None], b[..., None]), axis=2).shape)
# (3, 2, 2)
* Importowanie całej zawartości modułu do globalnej przestrzeni nazw za pomocą import *
jest uważane za złe praktyka z kilku powodów. Idiomatycznym sposobem jest import numpy as np
.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-05-23 12:03:08
Niech x == dstack([a, b])
. Następnie {[2] } jest identyczne z a
, A {[4] } jest identyczne z b
. Ogólnie rzecz biorąc, gdy dstacking tablic 2D, dstack generuje wyjście takie, że output[:, :, n]
jest identyczne z N-tą tablicą wejściową.
Jeśli stosujemy tablice 3D zamiast 2D:
x = numpy.zeros([2, 2, 3])
y = numpy.ones([2, 2, 4])
z = numpy.dstack([x, y])
Wtedy z[:, :, :3]
będzie identyczna z x
, a z[:, :, 3:7]
będzie identyczna z y
.
Jak widzisz, musimy wziąć plasterki wzdłuż trzeciej osi, aby odzyskać wejścia do dstack
. Dlatego dstack
zachowuje się tak, jak to tak.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2014-08-04 10:56:09
Chciałbym spróbować tego wizualnie wyjaśnić (chociaż przyjęta odpowiedź ma sens, Zajęło mi kilka sekund, aby zracjonalizować to w moim umyśle). Jeśli wyobrażamy sobie tablice 2d jako listę list, gdzie pierwsza oś daje jedną z list wewnętrznych, a druga oś podaje wartość z tej listy, to wizualna reprezentacja tablic OP będzie następująca:
a = [
[0, 3],
[1, 4],
[2, 5]
]
b = [
[6, 9],
[7, 10],
[8, 11]
]
# Shape of each array is [3,2]
Teraz, zgodnie z bieżącą dokumentacją, Funkcja dstack
dodaje trzecią oś, co oznacza każda z tablic wygląda tak:
a = [
[[0], [3]],
[[1], [4]],
[[2], [5]]
]
b = [
[[6], [9]],
[[7], [10]],
[[8], [11]]
]
# Shape of each array is [3,2,1]
Teraz układanie obu tych tablic w trzecim wymiarze oznacza po prostu, że wynik powinien wyglądać, zgodnie z oczekiwaniami, tak:
dstack([a,b]) = [
[[0, 6], [3, 9]],
[[1, 7], [4, 10]],
[[2, 8], [5, 11]]
]
# Shape of the combined array is [3,2,2]
Mam nadzieję, że to pomoże.Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2019-08-25 09:32:04
Ponieważ wspomniałeś o "obrazkach", myślę, że ten przykład byłby przydatny. Jeśli używasz Keras do trenowania sieci splotowej 2D z wejściem x, najlepiej zachować X z wymiarem (#images, dim1ofImage, dim2ofImage).
image1 = np.array([[4,2],[5,5]])
image2 = np.array([[3,1],[6,7]])
image1 = image1.reshape(1,2,2)
image2 = image2.reshape(1,2,2)
X = np.stack((image1,image2),axis=1)
X
array([[[[4, 2],
[5, 5]],
[[3, 1],
[6, 7]]]])
np.shape(X)
X = X.reshape((2,2,2))
X
array([[[4, 2],
[5, 5]],
[[3, 1],
[6, 7]]])
X[0] # image 1
array([[4, 2],
[5, 5]])
X[1] # image 2
array([[3, 1],
[6, 7]])
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-02-20 22:05:14