Puisque je ne pouvais pas sortir l'extraction d'index de `` np.where '' pendant le traitement de l'image Je l'ai compris en faisant référence à l'exemple de code de ici ... C'est donc un mémorandum! Si vous comprenez comment lire ceci, vous pouvez découvrir Aha! ?? ??
Exemple de code de référence et sortie. Cette fois, le tenseur du 3ème étage ($ Largeur \ fois Hauteur \ fois Canaux = 2 \ fois 3 \ fois 4 $) Il est.
a_3d = np.arange(24).reshape(2, 3, 4)
print(a_3d)
# output
# [[[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
#
# [[12 13 14 15]
# [16 17 18 19]
# [20 21 22 23]]]
print(np.where(a_3d < 5))
# output
# (array([0, 0, 0, 0, 0]), array([0, 0, 0, 0, 1]), array([0, 1, 2, 3, 0]))
Voici la sortie de np.where (a_3d <5) '' ``
array([0, 0, 0, 0, 0])
array([0, 0, 0, 0, 1])
array([0, 1, 2, 3, 0])
Voyez-le comme une liste de
W
H
C
Pour accéder aux éléments du tenseur du 3ème étage
a_3d[W[0]][H[0]][C[0]] = 0
a_3d[W[1]][H[1]][C[1]] = 1
a_3d[W[2]][H[2]][C[2]] = 2
a_3d[W[3]][H[3]][C[3]] = 3
a_3d[W[4]][H[4]][C[4]] = 4
Il devient.
Maintenant, vous pouvez enfin lire la sortie de np.where (a_3d <5) !
Au début, seul le tableau était retourné, alors qu'est-ce que c'est? Je me demandais Lorsque vous pouvez voir la forme des lignes, des colonnes et de la profondeur, cela devient des nombres significatifs. L'expérience Aha est bonne ~
Recommended Posts