我是Python的新手。
我对以下内容发生的事情感到困惑：
A.shape = (60L, 128L, 128L)
B.shape = (2L, 60L, 128L, 5L)
和{{1}}
我相信它应该制作某种形象补丁。有人可以向我解释这是做什么的吗？这个例子是在神经网络应用于图像的背景下。
答案 0 :(得分：1)
A的形状告诉我A很可能是60个灰度图像（批量大小为60）的数组，每个图像的大小为128x128像素。
我们有：B = np.array([A[..., n:n+5] for n in (5*4, 5*5)])。为了更好地了解这里发生的事情，让我们反过来打开这条线：
for n in (5*4, 5*5)：这与for n in (20, 25)相同。由于与数据或其余代码相关的一些直观原因，作者可能选择以这种方式编写它。这为我们提供了n=20和n=25。
A[..., n:n+5]：这与A[:, :, n:n+5]相同。这为我们提供了A中所有图片的所有行，但n:n+5只列出了5列。然后，结果数组的形状为(60, 128, 5)。
n=20为我们提供了A[:, :, 20:25]，n=25为我们提供了A[:, :, 25:30]。因此，这些数组中的每一个都具有(60, 128, 5)的大小。
同时，[A[..., n:n+5] for n in (5*4, 5*5)]为我们提供了一个列表（谢谢列表理解！），其中包含两个元素，每个元素都是一个大小为(60, 128, 5)的numpy数组。 np.array()将此列表转换为形状为(2, 60, 128, 5)的numpy数组。
结果是B包含每个图像的2个色块，每个色块是原始图像的5像素列宽子集 - 一个从第20列开始，第二个从第25列开始。
如果没有关于网络及其目的的更多信息，我无法推测这种作物的原因。
希望这有帮助！