Python：敲代码做笔记

概述1.np.transpose()函数原型：transpose(a,axes=None)参数：a：输入数组axes：可选的一组list，根据给定的list调换数组各位置的值（我也不知道怎么表述，直接看下面的例子吧），默认将数组各维度反转（矩阵转置）返回值：ndarray类型，变换后的数组视图示例1：一维数组importnumpyasnpt=np 1. np.transpose()

函数原型：

transpose(a, axes=None)

参数：

a：输入数组axes：可选的一组List，根据给定的List调换数组各位置的值（我也不知道怎么表述，直接看下面的例子吧），默认将数组各维度反转（矩阵转置）

返回值：ndarray类型，变换后的数组视图

示例1：一维数组

import numpy as npt = np.arange(4)print(t)print(t.transpose())

输出：

[0, 1, 2, 3][0, 1, 2, 3]

可以看出这个方法对一维数组不管用

示例2：二维数组

two = np.arange(16).reshape(4, 4)print(two)print(two.transpose())

输出：

[[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11], [12, 13, 14, 15]][[0, 4, 8, 12], [1, 5, 9, 13], [2, 6, 10, 11], [3, 7, 11, 15]]

对二维数组的 *** 作默认就是矩阵转置；

示例3：三维数组

three = np.arange(18).reshape(2, 3, 3)print(three)print(three.transpose())

输出：

[[[0, 1, 2],  [3, 4, 5],  [6, 7, 8]], [[9, 10, 11],  [12, 13, 14],  [15, 16, 17]]][[[0, 9],  [3, 12],  [6, 15]], [[1, 10],  [4, 13],  [7, 16]]

详解：
数组three的原始axes为(0, 1, 2)，那么transpose()默认的参数axes为：(2, 1, 0)
先看原始数组各值对应的索引：

three[0][0][0]=0; three[0][0][1]=1; three[0][0][2]=2;three[0][1][0]=3; three[0][1][1]=4; three[0][1][2]=5;three[0][2][0]=6; three[0][2][1]=7; three[0][2][2]=8;three[1][0][0]=9; three[1][0][1]=10; three[1][0][2]=11;three[1][1][0]=12; three[1][1][1]=13; three[1][1][2]=14;three[1][2][0]=15; three[1][2][1]=16; three[1][2][2]=17;

再看经过transpose()后的数组x，主要 *** 作就是将各个元素的对应下标换一下

three[0][0][0]=0; three[1][0][0]=1; three[2][0][0]=2;three[0][1][0]=3; three[1][1][0]=4; three[2][1][0]=5;three[0][2][0]=6; three[1][2][0]=7; three[2][2][0]=8;three[0][0][1]=9; three[1][0][1]=10; three[2][0][1]=11;three[0][1][1]=12; three[1][1][1]=13; three[2][1][1]=14;three[0][2][1]=15; three[1][2][1]=16; three[2][2][1]=17;

看一下对图像的 *** 作：

import cv2 as cvimport numpy as npimg = cv.imread("C:\Users\mac\Pictures\0.jpg")cv.imshow('img', img)img = np.transpose(img, (1, 0, 2))cv.nameDWindow('img', cv.WINDOW_autoSIZE)cv.imshow('img2', img)cv.waitKey(0)cv.destroyAllwindows()

原始图像：

变换后的图像：

参考链接：np.transpose的作用及在图像 *** 作中的使用np.transpose2. torchvision.utils.make_grID()

用于把几个图像按照网格排列的方式绘制出来。
函数原型：

make_grID(    tensor: Union[torch.Tensor, List[torch.Tensor]],    nrow: int = 8,    padding: int = 2,    normalize: bool = False,    range: Optional[Tuple[int, int]] = None,    scale_each: bool = False,    pad_value: int = 0,)

参数：

tensor：4D张量，形状为(BxCxHxW)，分别表示样本数，通道数，图像高度，图像宽度。或者是一个图像列表nrow：每行的图片数量，默认为8padding：相邻图像之间的间隔，默认为2normalize：如果为True，则把图像的像素值通过range指定的最大值和最小值归一化到0-1；默认为Falsescale_each：如果为True，就单独对每张图像进行normalize；如果是False，统一对所有图像进行normalize；默认为Falsepad_value：float，图像之间的空隙，默认为0示例1

from torchvision.utils import make_grIDimport numpy as npimport torchimport matplotlib.pyplot as pltdef show(img):    npimg = img.numpy()    plt.imshow(np.transpose(npimg, (1, 2, 0)), interpolation='nearest')images = torch.floatTensor(100 * np.random.normal(0, 1, (25, 1, 28, 28)))show(make_grID(images, nrow=5, padding=10, pad_value=0))plt.show()

显示结果：

### 参考链接：

Pytorch save_image和make_grid函数详解 总结

以上是内存溢出为你收集整理的Python：敲代码做笔记全部内容，希望文章能够帮你解决Python：敲代码做笔记所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。