002.Pytorch框架CV开发（numpy的基础操作）

小王努力变强

已于 2025-05-22 13:04:48 修改

阅读量982

点赞数 25

CC 4.0 BY-SA版权

分类专栏： Pytorch 文章标签： pytorch numpy 人工智能

于 2025-05-21 18:58:39 首次发布

本文链接：https://blog.csdn.net/weixin_51185242/article/details/148111111

Pytorch 专栏收录该内容

6 篇文章

订阅专栏

Numpy的基础操作

定义数组

使用 numpy.array() 函数可以定义一个数组。数组可以是多维的，元素可以是整数、浮点数等。
import numpy as np

# 定义一维数组
arr1 = np.array([1, 2, 3, 4, 5])

# 定义二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

均匀分布的数值数组

np.linspace()生产指定范围内的均匀分布的数值数组

使用方法：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
start：数组的起始值
stop：数组的终止值
num：生成的样本数，默认是 50
endpoint：如果为 True，则包括终止值 stop（默认）。如果为 False，则不包括终止值。
retstep：如果为 True，返回间隔值 step，即相邻元素之间的差值。
dtype：指定返回数组的数据类型
axis：沿着指定轴生成数据（默认是 0）

示例：

1.生成一个简单的线性间隔数组：
import numpy as np
#这个例子在 0 到 10 之间生成 5 个均匀分布的数值。
arr = np.linspace(0, 10, 5)
print(arr)#输出：[ 0  2.5  5 7.5 10 ]


#不包含终止值：
arr1 = np.linspace(0, 10, 5, endpoint=False)
print(arr1)
#输出：[0.  2.  4.  6.  8. ]这时候10被排除在外


#返回步长
arr, step = np.linspace(0, 10, 5, retstep=True)
print(arr)  # 数值[ 0.   2.5  5.   7.5 10. ]
print(step)  # 步长 2.5


#使用指定的数据类型：
arr = np.linspace(0, 1, 6, dtype=int)
print(arr)
#输出：[0 0 0 0 0 1]

寻找最大值与最小值

使用 numpy.max() 或 numpy.amax() 函数可以找到数组中的最大值。可以指定轴来查找特定维度上的最大值。


import numpy as np

arr2 = np.array([[1, 2, 3], [4, 5, 6]]) 
#    1   2   3
#    4   5   6
            
# 查找整个数组的最大值
max_value = np.max(arr2)
print(max_value) #输出：6

# 查找每一列的最大值
max_col = np.max(arr2, axis=0)
print(max_col) #输出 [4 5 6]

# 查找每一行的最大值
max_row = np.max(arr2, axis=1)
print(max_row) #输出[3 6]

使用 numpy.argmax()函数是返回最大值的索引

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])
max_index = np.argmax(arr)  # 查找最大值的索引
print(max_index)  # 输出：5，表示最大值6的位置（展平后的索引）

# 沿着每列查找最大值的索引
max_index_axis0 = np.argmax(arr, axis=0)
print(max_index_axis0)  # 输出：[1 1 1]，表示每列最大值的索引

# 沿着每行查找最大值的索引
max_index_axis1 = np.argmax(arr, axis=1)
print(max_index_axis1)  # 输出：[2 2]，表示每行最大值的索引

维度上升

使用 numpy.expand_dims() 可以增加数组的维度

用法：
numpy.expand_dims(a, axis)
a：输入的数组。
axis：指定新轴的插入位置，可以是负数。这个轴会在原数组的维度上增加，返回的新数组会增加一个新的维度。

示例 1：在数组的特定位置插入维度
import numpy as np

arr = np.array([1, 2, 3])  # 形状是 (3,)
print("原始数组形状:", arr.shape)

expanded_arr = np.expand_dims(arr, axis=0)  # 在第 0 轴增加新维度
print("增加维度后的数组形状:", expanded_arr.shape)
输出：
原始数组形状: (3,)
增加维度后的数组形状: (1, 3)
示例 2：在另一个位置增加维度
arr = np.array([1, 2, 3])  # 形状是 (3,)

expanded_arr = np.expand_dims(arr, axis=1)  # 在第 1 轴增加新维度
print("增加维度后的数组形状:", expanded_arr.shape)
输出：
增加维度后的数组形状: (3, 1)
示例 3：在多维数组中使用 expand_dims
arr = np.array([[1, 2], [3, 4]])  # 形状是 (2, 2)
print("原始数组形状:", arr.shape)

expanded_arr = np.expand_dims(arr, axis=0)  # 在第 0 轴增加新维度
print("增加维度后的数组形状:", expanded_arr.shape)
输出：
原始数组形状: (2, 2)
增加维度后的数组形状: (1, 2, 2)

维度下降

使用 numpy.squeeze() 可以减少数组的维度（去除数组中所有维度为 1 的维度）。
# 增加维度
arr_expanded = np.expand_dims(arr1, axis=0)

# 减少维度
arr_squeezed = np.squeeze(arr_expanded)

数组计算

Numpy 支持对数组进行各种数学运算，如加法、减法、乘法、除法等。这些操作是逐元素进行的。
# 定义一维数组
arr1 = np.array([1, 2, 3, 4, 5])

# 数组加法
result_add = arr1 + arr1

# 数组乘法
result_mul = arr1 * 2

# 数组除法
result_div = arr1 / 2
运行结果
[ 2  4  6  8 10]
[ 2  4  6  8 10]
[0.5 1.  1.5 2.  2.5]

矩阵 reshape

使用 numpy.reshape() 函数可以改变数组的形状，而不改变其数据。
# 将一维数组 reshape 为二维数组
arr_reshaped = arr1.reshape(5, 1)

# 将二维数组 reshape 为三维数组 2*3*1的三维数组
arr_reshaped_3d = arr2.reshape(2, 3, 1)
注意：

2×3×1 的三维数组表示有 2 个矩阵、每个矩阵有 3 行，1 列组。

第一维（2）表示两个矩阵。
第二维（3）表示每个矩阵有 3 行。
第三维（1）表示每一行只有一个元素

2×3×1×4 的四维数组四维数组可以被看作是由多个三维数组组成的数组。

第一维 2 表示有 2 个 "块"（整体）。
第二维 3 表示每个 "块" 中有 3 个矩阵。
第三维 1 表示每个矩阵只有 1 行。
第四维 4 表示每行有 4 个元素。

矩阵维度转换）

矩阵维度转换就相当于3*2矩阵转置成2*3矩阵

使用 numpy.transpose() 或 numpy.T 可以转置矩阵，交换其行和列。

# 定义二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

# 转置矩阵
arr_transposed = np.transpose(arr2)

# 使用 .T 属性进行转置
arr_transposed_T = arr2.T

print("二维数组：\n",arr2 )
print("转置的二维数组\n",arr_transposed )

print("转置的二维数组\n",arr_transposed_T )

运行结果：

二维数组：
 [[1 2 3]
 [4 5 6]]
转置的二维数组
 [[1 4]
 [2 5]
 [3 6]]
转置的二维数组
 [[1 4]
 [2 5]
 [3 6]]

使用np创建一张图

np.zeros() 是 numpy 中的一个函数，用于创建一个指定形状的数组，所有元素的值都为 0。
np.zeros(shape, dtype=float, order='C')
shape：指定返回数组的形状，可以是一个整数（表示一维数组）或一个元组（表示多维数组）。
dtype：指定数组的数据类型，默认是 float。
order：指定多维数组的存储顺序。'C' 为按行优先顺序（默认），'F' 为按列优先顺序。

示例：

1.创建一维零数组：
import numpy as np 
arr = np.zeros(5)
print(arr)

#输出：[0. 0. 0. 0. 0.]
2.创建二维零数组：
arr = np.zeros((3, 4)) # 3行4列的二维数组
print(arr)
#输出：[[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]]
3.指定数据类型：
arr = np.zeros((2, 3), dtype=int) # 创建一个 2x3 的整数型零数组 
print(arr)

#输出：[[0 0 0] [0 0 0]]
4.创建一张黑色空白图像，大小为 400x400，3通道（彩色），数据类型为 uint8
blank_img = np.zeros((400, 400, 3), dtype=np.uint8)
5.np.zeros_like()
arr = np.zeros((2, 3), dtype=int) # 创建一个 2x3 的整数型零数组 
print(arr)
#np.zeros_like( ) 此方法意思是复制一个一样的数组

arr1=np.zeros_like(arr )
print(arr1)
#输出：[[0 0 0] [0 0 0]]