Скачать или смотреть Reduzierung der Dimensionen eines Tensors mit Nullen mittels numpy

Erfahren Sie, wie Sie die Dimensionen eines numpy-Arrays, das Nullen enthält, effektiv reduzieren und auf die gewünschte Größe zuschneiden.
---
Dieses Video basiert auf der Frage https://stackoverflow.com/q/62300246/ gestellt von dem Nutzer 'iustin' ( https://stackoverflow.com/u/10398168/ ) sowie auf der Antwort https://stackoverflow.com/a/62300345/ bereitgestellt von dem Nutzer 'Susmit Agrawal' ( https://stackoverflow.com/u/5533928/ ) auf der Website 'Stack Overflow'. Vielen Dank an diese großartigen Nutzer und die Stackexchange-Community für ihre Beiträge.

Besuchen Sie diese Links, um den Originalinhalt und weitere Details zu sehen, z. B. alternative Lösungen, aktuelle Entwicklungen zum Thema, Kommentare, Versionsverlauf usw. Der ursprüngliche Titel der Frage lautete beispielsweise: Is there a way of reducing the dims of a tensor(numpy array) that has zeros on multiple axis?

Außerdem steht der Inhalt (außer Musik) unter der Lizenz CC BY-SA https://meta.stackexchange.com/help/l...
Der ursprüngliche Fragenbeitrag steht unter der Lizenz 'CC BY-SA 4.0' ( https://creativecommons.org/licenses/... ), und der ursprüngliche Antwortbeitrag steht unter der Lizenz 'CC BY-SA 4.0' ( https://creativecommons.org/licenses/... ).

Falls Ihnen irgendetwas auffällt oder Unstimmigkeiten bestehen, schreiben Sie mir bitte an vlogize [AT] gmail [DOT] com.
---
Reduzierung der Dimensionen eines Tensors mit Nullen mittels numpy

Beim Arbeiten mit Tensoren, insbesondere im Bereich des maschinellen Lernens und der Datenverarbeitung, kann es notwendig sein, ihre Dimensionen zu manipulieren. Ein häufig auftretendes Szenario ist ein Tensor beziehungsweise in diesem Fall ein numpy-Array mit redundanten Dimensionen – konkret Dimensionen, die ausschließlich Nullen enthalten. Dieser Artikel zeigt Ihnen ein praktisches Beispiel, bei dem wir ein numpy-Array von der Größe (112, 112, 6) auf (112, 112, 3) reduzieren möchten.

Das Problem verstehen

Hier ist das numpy-Array, mit dem wir arbeiten:

[[Siehe Video, um diesen Text oder Codeausschnitt anzuzeigen]]

Das Ziel ist, dieses Array so zu reduzieren, dass nur die letzten drei Dimensionen erhalten bleiben, indem die ersten drei entfernt werden, die ausschließlich Nullen enthalten. Die unmittelbare Frage lautet: Wie erreicht man dies am besten in Python mit numpy?

Lösung: Slicing des numpy-Arrays

Man könnte zunächst an np.squeeze denken, dieses ist jedoch darauf ausgelegt, singuläre Dimensionen zu entfernen (also Dimensionen mit der Größe 1), nicht jedoch, um vorhandene Dimensionen zu verkleinern. Daher verwenden wir für diese spezifische Aufgabe Array-Slicing.

Schritt-für-Schritt-Anleitung

Import von numpy: Zuerst stellen Sie sicher, dass die numpy-Bibliothek in Ihrer Python-Umgebung importiert ist.

[[Siehe Video, um diesen Text oder Codeausschnitt anzuzeigen]]

Erstellen des Eingabearrays: Zum Demonstrationszweck definieren wir unser Eingabearray namens input_vector.

[[Siehe Video, um diesen Text oder Codeausschnitt anzuzeigen]]

Array-Slicing: Um die ersten drei Dimensionen, die mit Nullen gefüllt sind, zu entfernen, schneiden Sie das Array wie folgt:

[[Siehe Video, um diesen Text oder Codeausschnitt anzuzeigen]]

Hier bedeutet 3:, dass alle Zeilen und Spalten der ersten beiden Dimensionen erhalten bleiben, und nur die Dimensionen ab Index 3 in der letzten Dimension ausgewählt werden.

Überprüfung der Ausgabe-Shape: Zum Abschluss überprüfen Sie die Form des Ausgabearrays, um sicherzustellen, dass es den Erwartungen entspricht.

[[Siehe Video, um diesen Text oder Codeausschnitt anzuzeigen]]

Fazit

Mit der oben gezeigten Slicing-Methode können Sie unerwünschte Dimensionen aus Ihren numpy-Arrays effektiv entfernen. Diese Technik ist besonders nützlich bei der Arbeit mit mehrdimensionalen Datensätzen, bei denen bestimmte Indizes möglicherweise irrelevante oder Platzhalterwerte wie Nullen enthalten. Nun haben Sie einen sauberen Tensor, der bereit für weitere Analysen oder Modellierungen ist!

Bei Fragen oder wenn Sie weitere Beispiele mit numpy wünschen, können Sie sich gerne melden!