本文共 1616 字，大约阅读时间需要 5 分钟。

1.numpy类型：numpy.ndarray  对于图片读取之后（H,W,C）或者（batch,H,W,C）

（1）在元素总数不变的情况下：numpy类型的可以直接使用方法numpy.reshape任意改变大小,numpy.expand_dims增加维度，大小是1（这个函数可以参考）

（2）元素总数可以变化：scipy.misc.imresize(a,size)

2.TensorFlow的类型：tensorflow.python.framework.ops.tensor  图片的计算格式（H,W,C）或者（batch,H,W,C）

（1）在元素总数不变的情况下：numpy可以直接作为Tensor的输入，一旦被放在tf的函数下则失去了numpy的使用方法。tf.expand_dims在指定维度增加1维，大小为1；tf.squeeze刚好相反，删掉维度为1的轴（这两个函数可以参考）；

（2）元素总数可以变化：

'''tf和numpy之间的转化'''import tensorflow as tfa= tf.zeros((3,2))sess=tf.Session()sess.run(tf.global_variables_initializer())print("type(a)=",type(a))  # type(a)= 
   
    #转化为numpy数组a_np=a.eval(session=sess)print("type(a_np)=",type(a_np))  # type(a_np)= 
    
     #转化为tensora2= tf.convert_to_tensor(a_np)print("type(a2)=",type(a2))  # type(a2)= 
     
    
   

3.torch类型：torch.tensor  图片的计算格式是（C,H,W）或者（batch,C,H,W）

numpy类型不能直接作为Tensor的输入，所以在运用torch之前一定要进行转化。

from PIL import Imageimport torchimport numpy as npimport matplotlib.pyplot as plta=Image.open('/home/zzp/um_lane_000000.png') # 加载图片数据，返回的是一个PIL类型b=np.array(a).astype(np.float32) # 先将PIL类型转化成numpy类型，并且把数据变成浮点数c=b.transpose((2,0,1)) # 调整成torch的通道d=torch.from_numpy(c).float() # 再将numpy类型转化成torch.tensor类型# 或者另外一种加载图片的方式import scipy.miscimport torchimport numpy as npa=scipy.misc.imread('/home/zzp/um_lane_000000.png') # 加载图片数据，返回的是一个numpy类型c=a.transpose((2,0,1)).astype(np.float32) # 直接调整成torch的通道,不需要转化成numpy类型了，还是要变为浮点数d=torch.from_numpy(c).float() # 再将numpy类型转化成torch.tensor类型# 三种加载图像的方法a=Image.open('/home/zzp/um_lane_000000.png') b=scipy.misc.imread('/home/zzp/um_lane_000000.png')c=plt.imread('/home/zzp/um_lane_000000.png')#显示

（1）在元素总数不变的情况下

（2）元素总数可以变化 

转载地址：https://blog.csdn.net/zz2230633069/article/details/82669546 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！