a
=
np
.
array
(
[
[
1
,
2
,
3
]
,
[
4
,
5
,
6
]
]
)
b
=
np
.
array
(
[
[
2
,
2
,
3
]
,
[
4
,
5
,
6
]
]
)
c
=
np
.
array
(
[
[
3
,
2
,
3
]
,
[
4
,
5
,
6
]
]
)
print
(
'矩阵a：\n'
,
a
)
print
(
'维数：'
,
a
.
shape
)
com
=
np
.
array
(
[
a
,
b
,
c
]
)
print
(
'合并矩阵：\n'
,
com
)
print
(
'维数：'
,
com
.
shape
)
输出结果为：
[
[
1
2
3
]
[
4
5
6
]
]
维数：
(
2
,
3
)
合并矩阵：
[
[
[
1
2
3
]
[
4
5
6
]
]
[
[
2
2
3
]
[
4
5
6
]
]
[
[
3
2
3
]
[
4
5
6
]
]
]
维数：
(
3
,
2
,
3
)
相比于前两种方法，这种方法可谓“曲线救国”之典范，具体思路是：先转化成list，拼接后再转化回去。
这是因为list中的append()函数可以在添加函数的时候不改变原来list的维度。虽然没有对这种方法进行一个速度测试，但直觉来看时间复杂度挺高的，建议慎用。
aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3],[4,5,6]]])
a = np.array([[4,2,3],[4,5,6]])
aa = aa.tolist(aa)
a = a.tolist(a)
aa.append(a)
com = np.array(aa)
print(com.shape)
方法一：对于两个（或者多个）同一维度的矩阵，直接利用np.array()重新构造一个array,这样可以变相起到扩展维数的作用。例如：import numpy as npa = np.array([[1,2,3],[4,5,6]])b = np.array([[2,2,3],[4,5,6]])c = np.array([[3,2,3],[4,5,6]])print('矩阵a：\n',a)print('维数：',a.shape)com = np.array([a,b,c])print(.
用matplotlib实现将二维数据绘制为三维图形（三维多线图）绘制一幅三维线图结合for循环绘制多幅三维线图（在一幅图上）美化图形
绘制一幅三维线图
#将二维数据绘制三维图（三维多线图）
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,20,40)
y=y*np.ones(40)#保证与x轴的点数一致，这一步非常重要
z=np.sin(x * 2 * np.pi) / 2 + 0.5
ax = plt.figu
此文有误，正在研究解决方案。
pytorch理论上支持，也确实提供了API，但是经过我的研究发现，pytorch3D的仿射变换目前存在bug，bug主要体现在平移操作上，旋转和缩放暂时看起来还算正常
最近要用3D的仿射变换，发现网上例子基本上是2D的，也没有针对3D的资料，特此整理一个。
首先说一下啥是仿射变换，简单说仿射变换就是对
图像进行平移，旋转，缩放等操作。
如果多个二维数组维数一致, 那么可以直接相连, 再用np.array
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[2,2,3],[4,5,6]])
c = np.array([[3,2,3],[4,5,6]])
com = np.array([a,b,c])
如果二维数组的维数不一致, 要曲线救国了. 先转化成list, 在变成array
aa = np.array([[[1,2,3],[4,5,6]],[[2,2,3],[4,5,6]],[[3,2,3
m0_73811163:
在图片分类和目标检测中创建train/val/test
是大糊涂不聪明:
在图片分类和目标检测中创建train/val/test
何其有幸:
利用RepVGG训练一个cifar-10数据
是大糊涂不聪明:
利用RepVGG训练一个cifar-10数据
weixin_63091390:
