Python 图像[：，：，0:2]/255和形状更改

我曾经看到以下代码行

 image = image[:, :, 0:2]/255

---

在运行这行代码之前，图像的形状为

[4891489,3]

。但运行这行代码后，图像的形状为

[4891489,2]

。我认为除法操作，即，

image[：，：，0:2]/255

不应该改变形状。但它确实改变了，这让我很困惑

改变形状的是切片，而不是分割：

In [11]: a = np.random.rand(9, 9, 9)

In [12]: a[0:2, :, :].shape
Out[12]: (2, 9, 9)

In [13]: a[:, 0:2, :].shape
Out[13]: (9, 2, 9)

In [14]: a[:, :, 0:2].shape
Out[14]: (9, 9, 2)

In [15]: (a[:, :, 0:2] / 255).shape
Out[15]: (9, 9, 2)

---

请参见。

改变形状的是切片，而不是分割：

In [11]: a = np.random.rand(9, 9, 9)

In [12]: a[0:2, :, :].shape
Out[12]: (2, 9, 9)

In [13]: a[:, 0:2, :].shape
Out[13]: (9, 2, 9)

In [14]: a[:, :, 0:2].shape
Out[14]: (9, 9, 2)

In [15]: (a[:, :, 0:2] / 255).shape
Out[15]: (9, 9, 2)

---

请参阅。

好的，它们除以255，因为

像素值通常是介于0和255之间的无符号整数。虽然这些像素值可以直接以原始格式呈现给神经网络模型，但这可能会在建模过程中带来挑战，例如模型的训练速度比预期的慢

相反，在建模之前准备图像像素值会有很大的好处，例如简单地将像素值缩放到0-1到居中的范围，甚至将值标准化

---

我想现在你会知道了，他们除以255，因为

像素值通常是介于0和255之间的无符号整数。虽然这些像素值可以直接以原始格式呈现给神经网络模型，但这可能会在建模过程中带来挑战，例如模型的训练速度比预期的慢

相反，在建模之前准备图像像素值会有很大的好处，例如简单地将像素值缩放到0-1到居中的范围，甚至将值标准化

---

我想现在你会知道了，因为你正在重新分配？如果你删除分割操作，形状仍然会改变，所以很明显你的问题不是分割。你的意思是

0:3

？这是切片101<代码>[…，0:2]选取两个片段

[0，2）

，2不包括在内，因此，只选取前两个频道。仔细看看numpy（python）切片机制，否则您将来将面临更多类似的问题。因为您正在重新分配？如果删除分割操作，形状仍会改变，因此显然您的问题不是分割。您的意思是

0:3

？这是切片101。

[…，0:2]

选择两个切片

[0，2）

，2不包括在内，因此只选择前两个通道。请仔细查看numpy（python）的切片机制，否则将来您将面临更多类似的问题。