如何映射numpy数据集？

Question

我正在与Keras和提供的MNIST数据集一起工作。我相信数据集是一个numpy数组。我有如下重塑它：

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的阵列。这可以阅读为60000 28×28图像。我想提取每一个28×28的图像，并对其应用某种函数f。我曾尝试以下：

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

但我不确定究竟第二axis参数进场，但...

我也试过：

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

但形状总是(60000,)而不是我所期望的(1, 28, 28)。我如何获得每个子图像？

Answer 1

没有使用np.apply_along_axis，np.vectorize等只需使用一个循环获得的性能：

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) 

Answer 2

这lambda没有意义：

lambda a, _: print a.shape 

这相当于

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

print a.shape打印出一些东西，并且没有返回值，甚至错误。

lambda a,x: a.shape更好，返回形状a，并忽略x参数。

如果尺寸为1，那为什么不直接省略呢？

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

或删除其

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

但什么是apply_over点？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

[x.shape for x in X[:,0]] 

以去除第二尺寸，获得的最后2

这apply_along_axis只是形状，在最后3暗淡迭代，传递一维数组的拉姆达。所以实际上它返回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]]]]) 

通常这样的迭代是不需要的。使用时，与“全数组”相比较慢。