Python 如何映射numpy数据集？

我正在使用和提供的MNIST数据集。我相信数据集是一个numpy数组。我对其进行了如下改造：

X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)

这给出了一个

（60000,1,28,28）

numpy数组。这可以理解为有60000个28 x 28图像。我想提取每个28 x 28图像，并对其应用某种函数

f

。我尝试了以下方法：

f = lambda a, _: print a.shape
np.apply_over_axes(f, data, [2,3])

但是我不确定第二个

轴
参数究竟起作用了

我也尝试过：

f = lambda a: print a.shape
np.apply_along_axis(f, 0, data)

但是形状总是
（60000，）
，而不是我所期望的
（1,28,28）
。如何获取每个子图像？
这个
lambda
没有意义：

lambda a, _: print a.shape

相当于

def foo(a, x):
   return print a.shape

print a.shape
打印某些内容，但不返回任何内容，甚至可能是错误

lambda a，x:a.shape
更好，返回
a
的形状，忽略
x
参数

如果尺寸
1
维度有问题，为什么不直接忽略它呢

X_train = X_train.reshape(X_train.shape[0], 28, 28)

或者移除它

X_train[:,0,...]
np.squeeze(X_train)

但申请的目的是什么？只是为了找到一组子矩阵的形状

In [304]: X = np.ones((6,1,2,3))
In [305]: [x.shape for x in X]
Out[305]: [(1, 2, 3), (1, 2, 3), (1, 2, 3), (1, 2, 3), (1, 2, 3), (1, 2, 3)]

或

要删除第二个维度，请仅获取最后2个维度的形状

该
沿_轴应用_
，在最后3维上迭代，将1d数组传递给lambda。因此实际上它返回的是
X[：，0，i，j].shape

In [308]: np.apply_along_axis(lambda a: a.shape, 0, X)
Out[308]: 
array([[[[6, 6, 6],
         [6, 6, 6]]]])

通常不需要这样的迭代。当使用时，与“全阵列”相比速度较慢。
这
lambda
没有意义：

lambda a, _: print a.shape

相当于

def foo(a, x):
   return print a.shape

print a.shape
打印某些内容，但不返回任何内容，甚至可能是错误

lambda a，x:a.shape
更好，返回
a
的形状，忽略
x
参数

如果尺寸
1
维度有问题，为什么不直接忽略它呢

X_train = X_train.reshape(X_train.shape[0], 28, 28)

或者移除它

X_train[:,0,...]
np.squeeze(X_train)

但申请的目的是什么？只是为了找到一组子矩阵的形状

In [304]: X = np.ones((6,1,2,3))
In [305]: [x.shape for x in X]
Out[305]: [(1, 2, 3), (1, 2, 3), (1, 2, 3), (1, 2, 3), (1, 2, 3), (1, 2, 3)]

或

要删除第二个维度，请仅获取最后2个维度的形状

该
沿_轴应用_
，在最后3维上迭代，将1d数组传递给lambda。因此实际上它返回的是
X[：，0，i，j].shape

In [308]: np.apply_along_axis(lambda a: a.shape, 0, X)
Out[308]: 
array([[[[6, 6, 6],
         [6, 6, 6]]]])

通常不需要这样的迭代。与“全数组”相比，使用时速度较慢。
使用
np无法获得性能。沿轴应用
，
np。矢量化
，等等。只需使用循环：

import numpy as np

s = (4,1,28,28)
a = np.zeros(s)
for img in a[:,0]:
    print(img.shape)

# (28, 28)
# (28, 28)
# (28, 28)
# (28, 28)

使用
np.沿_轴应用_
，
np.矢量化
，等等，不会获得任何性能。只需使用一个循环：

import numpy as np

s = (4,1,28,28)
a = np.zeros(s)
for img in a[:,0]:
    print(img.shape)

# (28, 28)
# (28, 28)
# (28, 28)
# (28, 28)

return print expr
返回
None
。我只想测试维度，所以
lambda
基本上是无用的。至于
1
维度，我遵循的教程说，这是神经网络所需要的：
\uu
按照惯例是用来忽略变量的。我试图给出一个可验证的最小示例。就目前情况而言，apply_over call只是为了证明我的问题。最后，我想对60000个图像中的每一个应用一个函数。但目前，
f
不打印
（1,28,28）
矩阵，而是打印
（60000，）
矩阵。但是我想对每个
（1,28,28）
矩阵应用一个函数。然后在第一维上循环：
[f（x）for x in x]
。但是在
应用
中，通过[2,3]`大小写传递给函数的两个变量是什么？我以为它们是轴，所以我会传递
[2,3]
来获得28 x 28图像，但似乎我对numpy数组的工作原理有很大的误解…
returnprint expr
returns
None
。我只想测试维度，所以
lambda
基本上是无用的。至于
1
维度，我遵循的教程说，这是神经网络所需要的：
\uu
按照惯例是用来忽略变量的。我试图给出一个可验证的最小示例。就目前情况而言，apply_over call只是为了证明我的问题。最后，我想对60000个图像中的每一个应用一个函数。但目前，
f
不打印
（1,28,28）
矩阵，而是打印
（60000，）
矩阵。但是我想对每个
（1,28,28）
矩阵应用一个函数。然后在第一维上循环：
[f（x）for x in x]
。但是在
应用
中，通过[2,3]`大小写传递给函数的两个变量是什么？我以为它们是轴，所以我会传递
[2,3]
来获得28 x 28图像，但我似乎对numpy阵列的工作原理有很大的误解…啊，好的。这个符号更有意义！谢谢啊，好的。这个符号更有意义！谢谢