numpy实现混淆矩阵（python）numpy实现混淆矩阵（python）numpy实现混淆矩阵（python）假设有A、B、C、D、E五个类别一确定输出和标签importnumpyasnpy_true=["A"]*20+["B"]*20+["C"]*20+["D"]*20+["E"]*20len(y_true)y_truey_pred=["D"]*5+["A"]*30+["B"]*15+["C"]*25+["D"]*20+["E"]*5len(y_pred)y_pred二初始化混淆矩阵#初始化混淆矩阵classes_num=5confusion_matrix=np.zeros((class
目录一、前言二、函数讲解1、argmax（）函数2、参数1）a2）axis（可选）3）out（可选）3、返回值4、注意一、前言在数组里查找相同元素，返回索引的时候用到了该函数二、函数讲解1、argmax（）函数老样子，我们先看看该函数下包含了哪些参数与返回值英文版：中文版：argmax(a,axis=None,out=None)2、参数1）a我们使用的（输入）数组2）axis（可选）沿轴使用（可选填，默认为数组的展平成一维形式，即0,1,2,3,4…等）如果是沿着0轴，则返回每一列最大值的索引如果是沿着1轴，则返回每一行最大值的索引指定可以直接选择0轴，1轴或2轴等（如果有的话）上个代码小例子
深度学习中，涉及的图片格式有诸多转换方式，写此篇用于区别记录。目前接触到的读取图片的方式主要是两种，一是使用opencv的cv2模块，二是PIL.Image模块，两者的使用有不同。一、cv2的读取方式，格式转换最先一个问题是读取格式。1.cv2读取的图片格式直接是numpy的ndarry格式，图片是形状为HxWxC的BGR图片。jm=cv2.imread(path)#cv读取的是BGR格式图片print(type(jm))print(jm.shape)#输出class'numpy.ndarray'>(240,300,3)直接打印是BGR格式plt.imshow(jm)plt.show()经过格
文章目录数组进阶元素删除（对象方式）splice()删除一个元素删除多个元素截断数组元素替换元素插入返回值负索引slice()concat()forEach()indexOf、lastIndexOf、includesfind、findIndexfiltermapsortreversestr.split()和arr.join()reduce、reduceRightArray.isArray()some、everythisArg总结数组进阶上篇介绍了数组的基本概念和一些简单的数组元素操作函数，实际上，数组提供的函数还有很多。push、pop、shift和unshift是操作数组首尾两端的函数，上文
文章目录数组进阶元素删除（对象方式）splice()删除一个元素删除多个元素截断数组元素替换元素插入返回值负索引slice()concat()forEach()indexOf、lastIndexOf、includesfind、findIndexfiltermapsortreversestr.split()和arr.join()reduce、reduceRightArray.isArray()some、everythisArg总结数组进阶上篇介绍了数组的基本概念和一些简单的数组元素操作函数，实际上，数组提供的函数还有很多。push、pop、shift和unshift是操作数组首尾两端的函数，上文
因为网上对这个函数的很多教程，解释不够通俗易懂，或者说规律不够简单明白，所以我总结了一下，写成文分享给大家。一、前后形状的变化有何规律？函数的语法是np.tile(a,reps)，a表示类数组元素（不仅可以是ndarray数组，也可以是列表、元组等），reps用来定义各个方向上的拷贝数量。reps参数可以记忆成repeatshape，也即拷贝性扩展的形状。假设a的原形状为(2,3)，reps=(2)或reps=2（这两种表示方式等价）时，返回数组的形状计算规律如图中所示“右对齐+逐个元素相乘+缺则补一”。可得返回数组的形状为(2,6)。importnumpyasnparr=np.array([
使用工具：pycharmpython环境：3.7（venv)问题分析：本人按照其他文章的方法操作了很多次，发现在安装numpy1.21.4时，会在wheelbuilding的环节出错。因此，其他文章基本安装1.16左右的版本。解决方法：1、安装1.15.1版本的numpy，在终端中输入pipinstallnumpy==1.15.12、升级numpy(分多次升级可能成功率更高，笔者未就此进行过实验）pipinstall--upgradenumpy==1.16.0pipinstall--upgradenumpy==1.19.0pipinstall--upgradenumpy==1.21.0pipi
目录需求： 方法：一、再new一个更大的所需要的矩阵大小 二、pad函数 其他想法需求：对于图像处理中的一些过程，我需要对读取的numpy矩阵进行size的扩充，比如原本是（4，6）的矩阵，现在需要上下左右各扩充3行，且为了不影响数值计算，都用0填充。比如下图，我有一个4x5大小的全1矩阵，但是现在我要在四周都加上3行的0来扩充大小，最后扩充完还要对原区域进行操作。 方法：想到了几种方法，记录一下。一、再new一个更大的所需要的矩阵大小 a=np.ones((4,5))#假设原矩阵是4x5的全1矩阵print(a.shape)b_pad=np.zeros((4+6,5+6))#要四周扩
我可以将带有float的Numpy数组保存到sqlite3，但不能保存带有整数的数组:importsqlite3importnumpyasnpdb=sqlite3.connect('database.db')database=db.cursor()database.execute("CREATETABLEtable_name""(roundINT,idINT,PRIMARYKEY(round,id))")row_to_write=np.array([1])dtype=str(row_to_write.dtype)ifdtype.startswith('float'):database.
我可以将带有float的Numpy数组保存到sqlite3，但不能保存带有整数的数组:importsqlite3importnumpyasnpdb=sqlite3.connect('database.db')database=db.cursor()database.execute("CREATETABLEtable_name""(roundINT,idINT,PRIMARYKEY(round,id))")row_to_write=np.array([1])dtype=str(row_to_write.dtype)ifdtype.startswith('float'):database.
