使用numpy解决图像维度变换问题

numpy函数介绍

1. np.transpose(input, axes=None)

在机器学习中经常会碰到各种图像数据集，有的是按照num*height*width*channel来存储的，而有的则是num*channel*height*width。然后每次碰到这种问题都会想半天该怎么相互变换。

也想过自己手敲代码实现，但是一方面速度肯定没别人的方法好，另一方面还不一定是对的233。其实numpy已经帮我们都弄好了，我们只要使用np.transpose方法即可。

例如输入数据是a.shape = 1000*32*32*3（num*height*width*channel）

我们只需要使用如下代码即可达到要求。

2. np.concatenate((a1, a2, …), axis=0)

• 参数1：表示需要叠加的一组矩阵，可以是元组形式 (a1, a2, …)，也可以是列表形式[a1,a2,…]。另外，各个矩阵的维度必须保持一致！
• 参数2：axis默认为0，当然也可以设置为其他的值。

3. np.newaxis

这个可以用于扩展一个新的维度，例如假设我们的标签y.shape=(10,)，我们想把它变成 (10,1) 该怎么做？很简单：

效果图如下：

4. np.mean & np.var

• np.mean(a, axis=None, dtype=None, out=None, keepdims=<no value>)
• np.var(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>)

很简单，这两个方法分别用来计算均值和方差，在图像数据预处理的时候很有帮助。可以在应用场景二中来看看具体的特殊用法。

实践出真知之应用场景一

现假设我们有一组二维图像数据集，其大小为3*2*2 (num*height*width)。我们现在想将这个二维数据集转化成3维的，而且最后维度顺序要是num*height*width*channel,我们应该咋办呢？

1. 扩展出一个新的维度用来表示channel

新增加一个维度，建议先将channel增加在第二个维度，这样更好理解，而且数据不会被打乱。

2.叠加channel

3.维度转置

4.验证是否正确

最后来验证一下这一波操作是否正确：

可以看到是正确的！！！

5.整体演示代码

实践出真知之应用场景二

假设我们现有三维数据集,a.shape=(4,2,2,3) (num, height, width, channel)。而在数据预处理之前呢，我们一般都需要将图像数据每个像素点的值除以255，之后再减去每个维度的均值，再除以方差。

但是怎么得到每个维度的均值和方差呢？

因为channel在最后一维，所以我们需要指定需要计算均值和方差的维度，即 0,1,2。另外还有一个很重要的就是我们需要讲keepdims这个参数设置为True，它的作用是让输出的结果保持相同的维度，比如说数据集是4维的，那么输出的均值也会是4维。由下图可以看到，如果keepdims=False，那么均值和方差则会变成1维列表

MARSGGBO原创





2018-8-5