我是GAN领域的新手，我尝试了一些教程，但是，大多数教程使用的是Cifar或mnist数据集。因此，大多数文件都是以这样的格式构建的（xxxx，28，28）。
最近，我想尝试一下其他图片。例如，
from scipy import misc
data = misc.imread("1.PNG") #this can be any images from JPEG or any
print(data.shape)
我的输出：
(842, 1116, 4) # Seriously I dont understand what does this mean. 842 means 842 files? I thought I have only 1 image loaded.
我的预期输出：
由于我是新来的，我真的很想就是否应该是（1、28、28）或其他问题提出疑问。这样我就可以适应GAN，因为它在本教程中使用了784
通常，在mnist数据集中，我们有（60000，28，28），表示60k图片，每个形状为28x28。那我上面的输出呢？ （842、1116、4）并不意味着842张形状为1116 x 4的图片不是吗？我只加载一张图像。有人可以协助我进行转换，也可以理解它。谢谢
答案 0 :(得分：1)
imread使用PIL或Pillow读取图像，它以以下格式返回图像： 高x宽x通道 其中通道通常是3个通道（普通彩色图像的红色，绿色，蓝色[RGB]），有时是4个通道（红色，绿色，蓝色，alpha /透明度[RGBA]）。
因此，您读取的图像大小为842x1116像素，具有4个颜色通道。您说您使用形状（xxxx，28、28）的训练数据，所以您使用灰度而不是彩色图像。第一步是将彩色图像转换为灰度图像。 Pillow（作为PIL的替代品）是一个很好的图像操作库。另外，您也可以只使用一个频道
gray_data = data[:,:,0]
要将其用作训练数据，您现在可以将其调整为28x28的大小，或从中提取尺寸为28x28的小块。
small_data = gray_data[:28,:28]
这将导致（28,28）。大多数学习算法期望的不是一张图像，而是几张图像，大多采用以下格式（#images，高度，宽度）。因此，您需要重塑它：
final_data = small_data.reshape(1,28,28)
应该这样做。但是，将RGB（A）正确转换为灰度并调整大小将是更好的解决方案。有关详细信息，请查看枕头文档。
答案 1 :(得分：0)
图像x，y（842x1116）的大小（以像素为单位）和颜色通道数-4（R，G，B，Alpha）