Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Понимание функции клавиатуры NumPy
  • Заполнение одномерного массива NumPy
  • Заполнение многомерного массива NumPy
  • Заполнение массива NumPy различными количествами заполнения
  • Использование панели NumPy для заполнения ближайшими значениями
  • Использование клавиатуры NumPy для добавления границы к изображению
  • Зеркальное отображение изображения с помощью клавиатуры NumPy
  • Заключение
  • Дополнительные ресурсы
  1. Учебники по Pandas и Numpy
  2. Numpy

NumPy Pad: Использование np.pad() для дополнения массивов и матриц

PreviousРеализация функции сигмоида на PythonNextnp.argmax(): Как использовать NumPy Argmax

Last updated 1 year ago

В этом учебном пособии вы научитесь использовать мощную функцию pad в NumPy для дополнения массивов и матриц в NumPy и Python. Этот метод часто используется в глубоком обучении, особенно при разработке сверточных нейронных сетей. Умение владеть этой функцией позволит вам создавать мощные модели глубокого обучения для классификации и обработки изображений.

Функциональность этой функции не ограничивается областью глубокого обучения. Она позволяет эффективно работать с матрицами, например, обеспечивая их согласованность по размеру для возможности трансляции. Аналогично, её можно использовать в обработке изображений для добавления к изображению границ.

К концу этого учебного пособия вы научитесь:

  • Что такое функция np.pad() и как ее использовать

  • Как заполнить одномерные и многомерные массивы

  • Как настроить заполнение значений

  • Как использовать функцию np.pad() для добавления границы к изображению

Оглавление

Понимание функции клавиатуры NumPy

Перед тем как погрузиться в использование функции np.pad(), будет полезно разобраться с базовым синтаксисом функции. Давайте рассмотрим, как выглядит функция, а затем исследуем различные параметры, которые функция предлагает:

# Understanding the np.pad() Function
np.pad(
   array, 
   pad_width, 
   mode='constant', 
   **kwargs
)

В таблице ниже представлены параметры функции np.pad():

Параметр
Описание
Ожидаемые значения
Значения по умолчанию

array=

Массив, который будет дополнен

array-like

N/A

pad_width=

Количество значений для заполнения по каждому краю.

sequence, array-like, integer

N/A

mode=

Тип используемого заполнения

string or function

'constant'

stat_length=

Количество значений на краю каждой оси, используемое для расчета статистического значения. Используется, когда режим является одним из:'maximum', 'mean', 'median', or 'minimum'.

sequence or integer

'None'

constant_values=

Используется, когдаmode='constant'.

sequence or scalar

0

end_values=

Используется, когдаmode='linear_ramp', чтобы обеспечить конечное значение линейного изменения

sequence or scalar

0

reflect_type=

Используется, когда установлен режим 'reflect' или 'symmetric'.

'even' or 'odd'

N/A

В основном, наиболее важными параметрами являются array=, pad_width=, и mode=. Параметр mode= позволяет настроить множество различных опций. Давайте рассмотрим некоторые из аргументов, которые вы можете использовать:

  • 'constant': площадки с постоянным значением

  • 'edge': площадки с использованием краевых значений массива

  • 'linear-ramp':контактные площадки с линейным изменением между end_value и значением края массива

  • 'maximum': контактные площадки с максимальным значением всего или части вектора по каждой оси

  • 'mean': площадки со средним значением всего или части вектора вдоль каждой оси

  • 'median': площадки со средним значением всего или части вектора вдоль каждой оси

  • 'minimum': площадки с минимальным значением всего или части вектора по каждой оси

  • 'reflect': площадки с отражением вектора

  • 'symmetric': контактные площадки с отражением вектора, зеркально отраженным по краю массива

  • 'wrap': контактные площадки с переворотом вектора по оси

  • 'empty':контактные площадки с неопределенными значениями

Теперь, когда мы рассмотрели обширную документацию для функции np.pad(), давайте начнем смотреть на некоторые практические примеры.

Заполнение одномерного массива NumPy

В этом первом примере вы узнаете, как использовать функцию pad в NumPy для дополнения массива. Давайте начнем с рассмотрения одномерного массива, чтобы лучше понять, что происходит.

# Using the np.pad() Function with a Single Dimension
import numpy as np

arr = np.array([1, 2, 3])
padded = np.pad(arr, pad_width=2)
print(padded)

# Returns:
# [0 0 1 2 3 0 0]

В приведенном выше примере мы дополнили массив шириной 2. По умолчанию NumPy будет использовать значение 0. Мы можем настроить значение, изменив параметр constant_value=. Давайте используем значение 100 для дополнения нашего массива:

# Padding an Array with a Non-Default Value
import numpy as np

arr = np.array([1, 2, 3])
padded = np.pad(arr, pad_width=2, constant_values=100)
print(padded)

# Returns:
# [100 100   1   2   3 100 100]

При работе с одномерными массивами, добавление отступов может быть полезной функцией. Однако, настоящая сила этой функции раскрывается при работе с многомерными массивами, например, с изображениями. Именно это вы узнаете в следующем разделе.

Заполнение многомерного массива NumPy

В этом разделе вы узнаете, как использовать функцию np.pad() для добавления отступов к многомерному массиву. Это может быть полезно во многих ситуациях, таких как создание сверточных нейронных сетей. Давайте посмотрим, как мы можем использовать функцию для добавления отступов к многомерному массиву с использованием константных значений:

# Padding a Multi-Dimensional Array with np.pad()
import numpy as np

arr = np.arange(9).reshape(3, 3)
padded = np.pad(arr, pad_width=1)
print(padded)

# Returns:
# [[0 0 0 0 0]
#  [0 0 1 2 0]
#  [0 3 4 5 0]
#  [0 6 7 8 0]
#  [0 0 0 0 0]]

В приведенном выше примере мы создали матрицу 3×3 со значениями от 0 до 9. Затем мы применили отступ размером 1 со значениями по умолчанию равными 0.

Заполнение массива NumPy различными количествами заполнения

Использование функции np.pad() также позволяет применять разное количество отступов. Это может быть полезно, если вам нужно применить отступ, скажем, только к одной или двум сторонам. Для этого мы можем передать последовательность в параметр pad_width=. Давайте посмотрим, как это выглядит:

# Padding Arrays with Different Amounts
import numpy as np

arr = np.arange(9).reshape(3, 3)
padded = np.pad(arr, pad_width=((1, 0), (0, 1)))
print(padded)

# Returns:
# [[0 0 0 0]
#  [0 1 2 0]
#  [3 4 5 0]
#  [6 7 8 0]]

В примере выше мы видим, что функция также принимает структуру, похожую на последовательность. Передавая кортеж из кортежей ((1, 0), (0, 1)), мы указываем, что хотим получить отступ следующей структуры:

  • 1 сверху

  • 0 внизу

  • 0 слева

  • 1 справа

Применение этого метода является эффективным способом настройки методов заполнения ваших массивов.

Использование панели NumPy для заполнения ближайшими значениями

В этом разделе вы узнаете, как использовать NumPy для заполнения массива ближайшими значениями, найденными в массиве. Для этого необходимо изменить параметр mode= на значение 'edge'. Это позволяет заменить значение на значение, ближайшее к краю.

Это лучше всего демонстрируется на примере:

# Padding an Array with the Nearest Value Using np.pad()
import numpy as np

arr = np.arange(9).reshape(3, 3)
padded = np.pad(arr, pad_width=1, mode='edge')
print(padded)

# Returns:
# [[0 0 1 2 2]
#  [0 0 1 2 2]
#  [3 3 4 5 5]
#  [6 6 7 8 8]
#  [6 6 7 8 8]]

Мы видим, что значения смещаются к краю, что может быть полезно при добавлении заполнителя к тензору для сверточных нейронных сетей.

Использование клавиатуры NumPy для добавления границы к изображению

В этом разделе мы рассмотрим, как использовать функцию np.pad() для добавления рамки к изображению. Поскольку изображения можно легко представить в виде массивов значений, мы можем использовать функцию np.pad(), чтобы добавить к изображению рамку однотонного цвета.

Давайте посмотрим, как это работает. Вы можете загрузить изображение обложки и использовать его, чтобы следовать инструкциям урока, или же можете использовать своё собственное изображение.

# Using np.pad() to Add a Border to an Image
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import image

arr = image.imread('/Users/nikpi/Downloads/im.jpeg')
with_border = np.pad(arr, pad_width=((100, 100), (100, 100), (0,0)))
plt.imshow(with_border)
plt.show()

Это возвращает следующее изображение:

Зеркальное отображение изображения с помощью клавиатуры NumPy

В этом заключительном разделе вы узнаете, как отразить изображение с помощью функции np.pad(). Это может быть полезно, если вы хотите применить некоторые базовые преобразования к изображению. Это часто делается, например, при применении простых трансформаций для улучшения классификации в нейронных сетях.

Давайте рассмотрим, как это делается с использованием функции np.pad():

# Mirror an Image Using np.pad()
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import image

img = image.imread('/Users/nikpi/Downloads/im.jpeg')
height, width, _ = img.shape

plt.imshow(np.pad(img, ((0,0), (0, width), (0, 0)), mode='reflect'))
plt.show()

Это возвращает следующее изображение:

Заключение

В этом учебнике вы узнали, как использовать функцию np.pad() для добавления отступов к массиву NumPy. Это может быть полезным методом для обучения, чтобы гарантировать, что массивы имеют заданный размер, когда должны быть определены отступы. Функция предлагает огромное количество опций для настройки результатов функции.

Вы сначала научились добавлять заполнение к массиву одномерному, затем к многомерному массиву. После этого вы научились настраивать получившийся массив. В заключение, вы освоили работу с изображениями, включая возможность добавлять к ним рамку или зеркально отражать изображение.

Дополнительные ресурсы

Чтобы узнать больше о схожих темах, посмотрите следующие учебные пособия ниже:

  • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace

  • Пространство журналов NumPy: понимание функции np.logspace()

  • Плитка NumPy для упорядочения массивов

  • Различные способы объединения массивов NumPy в Python

Добавление границы к изображению с помощью np.pad()
Зеркальное отображение изображения с помощью функции np.pad()
Понимание функции клавиатуры NumPy
Заполнение одномерного массива NumPy
Заполнение многомерного массива NumPy
Заполнение массива NumPy различными количествами заполнения
Использование панели NumPy для заполнения ближайшими значениями
Использование клавиатуры NumPy для добавления границы к изображению
Зеркальное отображение изображения с помощью клавиатуры NumPy
Заключение
Дополнительные ресурсы
Mirroring an image using the np.pad() Function
Adding a border to an image using np.pad()