开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

Delphi数组在2D和1D之间来回转换

Delphi是一种编程语言，它支持数组的多维和一维形式，并且可以在这两种形式之间进行转换。

Delphi数组的概念：数组是一种数据结构，用于存储相同类型的多个元素。在Delphi中，数组可以是一维的，也可以是多维的。一维数组是一个线性结构，可以通过一个索引访问其中的元素。多维数组是一个表格结构，可以通过多个索引访问其中的元素。
Delphi数组的分类： Delphi数组可以根据维度进行分类。一维数组只有一个维度，而多维数组有两个或更多维度。
Delphi数组的优势：
- 提供了一种方便的方式来存储和访问多个相同类型的元素。
- 可以通过索引快速访问数组中的元素。
- 支持多维数组，可以更灵活地组织和处理数据。

Delphi数组的应用场景：
- 数据存储和处理：可以使用数组来存储和处理大量的数据，例如图像处理、音频处理等。
- 算法和数据结构：数组是许多算法和数据结构的基础，例如排序算法、搜索算法等。
- 游戏开发：游戏中经常需要处理大量的对象和数据，使用数组可以方便地管理和操作这些数据。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云服务器（CVM）：https://cloud.tencent.com/product/cvm
- 腾讯云数据库（TencentDB）：https://cloud.tencent.com/product/cdb
- 腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
- 腾讯云人工智能（AI）：https://cloud.tencent.com/product/ai

总结：Delphi数组是一种用于存储和访问多个相同类型元素的数据结构。它可以是一维的或多维的，并且可以在这两种形式之间进行转换。Delphi数组在数据存储和处理、算法和数据结构、游戏开发等领域有广泛的应用。腾讯云提供了多种相关产品，如云服务器、数据库、对象存储和人工智能，可以帮助开发者在云计算领域进行应用开发和部署。

相关搜索:2D和3D数组之间的点积 Dask和numpy -在numpy数组和dask数组之间的缓慢转换 Java数组:如何在数组1D和2D中插入删除项 tic-tac-toe:在2d数组上使用1d数组时的不同输出 “反转”一个数组，即把2d索引列表转换成1d索引的2d数组在360度和2D视频之间切换？在django视图和模板之间来回传递字符串列表(uuid 在Google Sheets中将2D范围转换为1D范围在Rust str和ffi::CString之间来回转换会部分损坏字符串在TensorFlow中将2D卷积转换为1D卷积+仿射变换？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

OpenGL YUV 和 RGB 图像转换出现偏色问题怎么解决？

早上知识星球里的一位同学，遇到 yuv2rgb 偏色问题，这个问题比较典型，今天展开说一下。

02

"羊驼"入侵CV，美团&浙大沈春华团队将LLaMA向CV扩展，构建全新基础模型VisionLLaMA

大型语言模型构建在基于Transformer的架构之上来处理文本输入, LLaMA 系列模型在众多开源实现中脱颖而出。类似LLaMa的Transformer可以用来处理2D图像吗？在本文中，我们通过提出一种类似 LLaMA 的朴素和金字塔形式的Transformer来回答这个问题，称为 VisionLLaMA。VisionLLaMA 是一个统一的通用建模框架，用于解决大多数视觉任务。

01

Keras Pytorch大比拼

对于许多数据科学家、工程师和开发人员来说，TensorFlow是他们深度学习框架的第一选择。TensorFlow 1.0于2017年2月发布，至少可以说，它不是非常用户友好。

03

【NumPy 数组副本 vs 视图、NumPy 数组形状、重塑、迭代】

副本拥有数据，对副本所做的任何更改都不会影响原始数组，对原始数组所做的任何更改也不会影响副本。

01

NumPy之:理解广播

广播描述的是NumPy如何计算不同形状的数组之间的运算。如果是较大的矩阵和较小的矩阵进行运算的话，较小的矩阵就会被广播，从而保证运算的正确进行。

04

NumPy之:理解广播

广播描述的是NumPy如何计算不同形状的数组之间的运算。如果是较大的矩阵和较小的矩阵进行运算的话，较小的矩阵就会被广播，从而保证运算的正确进行。

05

NumPy之:理解广播

广播描述的是NumPy如何计算不同形状的数组之间的运算。如果是较大的矩阵和较小的矩阵进行运算的话，较小的矩阵就会被广播，从而保证运算的正确进行。

02

深度学习框架如何选？4大场景对比Keras和PyTorch

对于许多科学家、工程师和开发人员来说，TensorFlow是他们的第一个深度学习框架。但indus.ai公司机器学习工程师George Seif认为，TF并不是非常的用户友好。

03

解决ValueError: Expected 2D array, got 1D array instead: Reshape your data either

在使用机器学习算法进行数据建模时，经常会遇到输入数据的维度问题。其中一个常见的错误是"ValueError: Expected 2D array, got 1D array instead"，意味着算法期望的是一个二维数组，但是实际传入的却是一个一维数组。本文将介绍如何解决这个错误，并提供使用numpy库中的reshape()函数来转换数组维度的示例代码。

05

C++中的数组类型操作

开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第2天，点击查看活动详情

03

NumPy的广播机制

a1与a2之间可以进行加减乘除，b1与b2可以进行逐元素的加减乘除以及点积运算，c1与c2之间可以进行逐元素的加减乘除以及矩阵相乘运算(矩阵相乘必须满足维度的对应关系)，而a与b，或者b与c之间不能进行逐元素的加减乘除运算，原因是他们的维度不匹配。而在NumPy中，通过广播可以完成这项操作。

04

PyTorch入门笔记-创建张量

Numpy Array 数组和 Python List 列表是 Python 程序中间非常重要的数据载体容器，很多数据都是通过 Python 语言将数据加载至 Array 数组或者 List 列表容器，再转换到 Tensor 类型。（为了方便描述，后面将 Numpy Array 数组称为数组，将 Python List 列表称为列表。）

01

OpenGL ES _ 着色器_纹理图像

玩过游戏的同学们，都知道在游戏人物身上穿的那个叫皮肤，专业点将那个就叫做纹理图像。GLSL 支持在顶点和片段着色器使用纹理图像。

03

BM3D 算法原理详细解析按过程步骤讲解（附C++实现代码）[通俗易懂]

BM3D是2007年提出的算法了，至今已经有一些年头了，但是仍然不妨碍它基本上还是最强的去噪算法。

01

NumPy 1.26 中文文档（五十）

安全问题可以按照项目 README 中描述的方式进行私下报告，也可以在打开问题跟踪器上的新问题时进行报告。Python 安全报告指南是一个很好的资源，其中的注意事项也适用于 NumPy。

01

系统框架--49：对自定义其内存管理语义的collection使用无缝桥接

01

Numpy 修炼之道（7）—— 形状操作

无论是ravel、reshape、T，它们都不会更改原有的数组形状，都是返回一个新的数组。

03

Python爬取表情包

自从读了研究生，和之前的同学聊天的机会就少了，不是说我高冷装逼，是研究生的生活确实是“三点一线”，每天都在食堂、实验室、宿舍之间来回转。每天除了看文献、就是做实验，真挺枯燥的，这不前两天一个好哥们主动找我聊天，还时不时给我发几张骚图，我想予以反击，一看表情库，真的是空空如也啊！

04

用 Excel 来阐释什么是多层卷积

原标题 | Multi-Channel Convolutions explained with… MS Excel!

02

从机器学习学python（四） ——numpy矩阵基础

从机器学习学python（四）——numpy矩阵基础（原创内容，转载请注明来源，谢谢）一、numpy中matrix 和 array的区别 Numpymatrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix 拥有array的所有特性。在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那

07

dot net double 数组转 float 数组

本文告诉大家如果遇到 double 数组转 float 数组千万不要使用 Cast ，一般都使用 select 强转。

03

delphi开发SP-POS802串口打印机动态库

因为某个项目的POS机用了SP-POS802的打印机，针对这个打印机要开发一个调用打印机的动态库。收到了厂家发来的打印机指令和动态库的开发要求。做了这个，好久没用Delphi开发东西了，正好借次再熟悉一下。

01

[Deep-Learning-with-Python] 文本序列中的深度学习

深度学习模型可以处理文本序列、时间序列、一般性序列数据等等。处理序列数据的两个基本深度学习算法是循环神经网络和1D卷积(2D卷积的一维模式)。

01

DAY18：阅读纹理内存之Layered Textures

3.2.11.1.3. 16-Bit Floating-Point Textures The 16-bit floating-point or half format supported by CUDA arrays is the same as the IEEE 754-2008 binary2 format. CUDA C does not support a matching data type, but provides intrinsic functions【内联函数】 to convert

05

dot net double 数组转 float 数组

本文告诉大家如果遇到 double 数组转 float 数组千万不要使用 Cast ，一般都使用 select 强转。

01

使用2D卷积技术进行时间序列预测

在这个项目中使用的数据是来自北卡罗来纳州夏洛特分校的全球能源预测竞赛的数据。您可以在这里找到更多信息：http://www.drhongtao.com/gefcom/2017

04

Python数据分析（中英对照）·Using the NumPy Random Module 使用 NumPy 随机模块

NumPy makes it possible to generate all kinds of random variables. NumPy使生成各种随机变量成为可能。 We’ll explore just a couple of them to get you familiar with the NumPy random module. 为了让您熟悉NumPy随机模块，我们将探索其中的几个模块。 The reason for using NumPy to deal with random variables is that first, it has a broad range of different kinds of random variables. 使用NumPy来处理随机变量的原因是，首先，它有广泛的不同种类的随机变量。 And second, it’s also very fast. 第二，速度也很快。 Let’s start with generating numbers from the standard uniform distribution,which is a the completely flat distribution between 0 and 1 such that any floating point number between these two endpoints is equally likely. 让我们从标准均匀分布开始生成数字，这是一个0和1之间完全平坦的分布，因此这两个端点之间的任何浮点数的可能性相等。 We will first important NumPy as np as usual. 我们会像往常一样，先做一个重要的事情。 To generate just one realization from this distribution,we’ll type np dot random dot random. 为了从这个分布生成一个实现，我们将键入np-dot-random-dot-random。 And this enables us to generate one realization from the 0 1 uniform distribution. 这使我们能够从01均匀分布生成一个实现。 We can use the same function to generate multiple realizations or an array of random numbers from the same distribution. 我们可以使用同一个函数从同一个分布生成多个实现或一个随机数数组。 If I wanted to generate a 1d array of numbers,I will simply insert the size of that array, say 5 in this case. 如果我想生成一个一维数字数组，我只需插入该数组的大小，在本例中为5。 And that would generate five random numbers drawn from the 0 1 uniform distribution. 这将从0-1均匀分布中产生五个随机数。 It’s also possible to use the same function to generate a 2d array of random numbers. 也可以使用相同的函数生成随机数的2d数组。 In this case, inside the parentheses we need to insert as a tuple the dimensions of that array. 在本例中，我们需要在括号内插入该数组的维度作为元组。 The first argument is the number of rows,and the second argument is the number of columns. 第一个参数是行数，第二个参数是列数。 In this case, we have generated a table — a 2d table of random numbers with five rows and three columns. 在本例中，我们生成了一个表——一个由五行三列随机数组成的二维表。 Let’s then look at the normal distribution. 让我们看看正态分布。 It requires the mean and the standard deviation as its input parameters. 它需

01

RaptorX、AlphaFold、DeepAccNet、ESMFold…你都掌握了吗？一文总结生物制药必备经典模型（一）

本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。

01

文末福利 | 深度学习框架Keras与Pytorch对比

【磐创AI导读】：本篇文章为大家介绍了深度学习框架Keras与Pytorch对比，希望对大家有所帮助。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。

02

Fitnesse_01_介绍

由于FitNesse是一个wiki web服务器，它的入门和学习曲线非常低，这使得它成为一个优秀的工具，可以与业务涉众进行协作。

02

时序分析五边形战士！清华提出TimesNet：预测、填补、分类、检测全面领先｜ICLR 2023

---- 新智元报道编辑：LRS 好困【新智元导读】时间序列分析在现实世界中的应用非常广泛，覆盖气象、工业、医疗等众多领域。近期，清华大学软件学院机器学习实验室提出了时序基础模型TimesNet，在长时、短时预测、缺失值填补、异常检测、分类五大任务上实现了全面领先。实现任务通用是深度学习基础模型研究的核心问题，也是近期大模型方向的主要关注点之一。然而，在时间序列领域，各类分析任务的差别较大，既有需要细粒度建模的预测任务，也有需要提取高层语义信息的分类任务。如何构建统一的深度基础模型高效地完

02

C++ time_t与格式化日期时间字符串的转换

代码中，第一部分是time转格式化字符串，这里要注意，time库提供了time_t和tm两种格式的时间，time_t是1970年01月01日00时00分00秒到现在所经过的秒数，而tm是一个结构体，如下：

04

深度学习实战：使用多层感知器分类器对手写数字进行分类

MLP 是一种监督机器学习 (ML) 算法，属于前馈人工神经网络 1 类。该算法本质上是在数据上进行训练以学习函数。给定一组特征和一个目标变量（例如标签），它会学习一个用于分类或回归的非线性函数。在本文中，我们将只关注分类案例。

06

深度学习实战：使用MLP对手写数字进行分类

MLP 是一种监督机器学习 (ML) 算法，属于前馈人工神经网络 [1] 类。该算法本质上是在数据上进行训练以学习函数。给定一组特征和一个目标变量（例如标签），它会学习一个用于分类或回归的非线性函数。在本文中，我们将只关注分类案例。

02

即插即用 | 高效多尺度注意力模型成为YOLOv5改进的小帮手

随着深度卷积神经网络（CNNs）的发展，更引人注目的网络拓扑结构被应用于图像分类和目标检测任务领域。当将神经网络扩展到多个卷积层时，它表现出增强学习特征表示的显著能力。然而，它导致堆叠更多的深度卷积对应方法，并且需要消耗大量的内存和计算资源，这是构建深度CNN的主要缺点。作为一种替代方式，注意力机制方法由于其灵活的结构特征，不仅加强了对更具鉴别性的特征表示的学习，而且可以很容易地插入到神经网络的主干架构中。因此，注意力机制引起了计算机视觉研究界的极大兴趣。

03

Numpy教程第2部分 - 数据分析的重要功能

【导读】Numpy是python数据分析和科学计算的核心软件包。上次介绍了numpy的一些基础操作。例如如何创建一个array，如何提取array元素，重塑（reshape）数组，生成随机数（random）等，在这一部分，专知成员Fan将详细介绍numpy的高级功能，这些功能对于数据分析和操作非常重要。 Numpy教程第1部分可以参见专知公众号： Numpy教程第1部分 - 阵列简介（常用基础操作总结） ▌一、如何使用np.where获得满足给定条件的索引位置？ ---- 1、有时候我们不仅仅需要知道ar

09

EmguCV 常用函数功能说明「建议收藏」

大家好，又见面了，我是你们的朋友全栈君。AbsDiff，计算两个数组之间的绝对差。 dst（I）c = abs（src1（I）c-src2（I）c）。所有数组必须具有相同的数据类型和相同的大小（或ROI大小）。累加，将整个图像或其所选区域添加到累加器和。累积产品，将2张图像或其选定区域的产品添加到累加器中。 AccumulateSquare，将输入src或其选定的区域，增加到功率2，添加到累加器sqsum。累积权重，计算输入src和累加器的加权和，以使acc成为帧序列的运行平均值：acc（x，y）=（1-alpha）* acc（x，y）+ alpha * image（x，y ）如果mask（x，y）！= 0，其中alpha调节更新速度（累加器对于先前帧的多少速度）.. 自适应阈值，将灰度图像转换为二进制图像。每个像素单独计算的阈值。对于方法CV_ADAPTIVE_THRESH_MEAN_C，它是blockSize x blockSize像素邻域的平均值，由param1减去。对于方法CV_ADAPTIVE_THRESH_GAUSSIAN_C，它是blockSize x blockSize像素邻域的加权和（高斯），由param1减去。添加，将一个数组添加到另一个数组：dst（I）= src1（I）+ src2（I）if mask（I）！= 0所有数组必须具有相同的类型，除了掩码和大小（或ROI）尺寸）。 AddWeighted，计算的两个数组的加权和如下：dst（I）= src1（I）* alpha + src2（I）* beta + gamma所有的数组必须具有相同的类型和相同的大小（或ROI大小）。 ApplyColorMap，将颜色映射应用于图像。 ApproxPolyDP，近似具有指定精度的多边形曲线。 ArcLength，计算轮廓周长或曲线长度。 ArrowedLine，绘制从第一个点指向第二个点的箭头段。 BilateralFilter，将双边滤镜应用于图像。 BitwiseAnd，并计算两个数组的每元素的逐位逻辑连接：dst（I）= src1（I）＆src2（I）if mask（I）！= 0在浮点数组的情况下，使用它们的位表示为了操作。所有阵列必须具有相同的类型，除了掩码和大小相同。 BitwiseNot，反转每个数组元素的每一位：。 BitwiseOr，计算两个数组的每元素逐位分离：dst（I）= src1（I）| src2（I）在浮点数组的情况下，它们的位表示用于操作。所有阵列必须具有相同的类型，除了掩码和大小相同。 BitwiseXor，计算两个数组的每元素的逐位逻辑连接：dst（I）= src1（I）^ src2（I）if mask（I）！= 0在浮点数组的情况下，使用它们的位表示为了操作。所有阵列必须具有相同的类型，除了掩码和大小相同。模糊，使用归一化的盒式过滤器模糊图像。 BoundingRectangle，返回2d点集的右上角矩形。 BoxFilter，使用框过滤器模糊图像 BoxPoints（RotatedRect），计算输入2d框的顶点。 BoxPoints（RotatedRect，IOutputArray），计算输入2d框的顶点。 CalcBackProject，计算直方图的反投影。 CalcCovar矩阵，计算一组向量的协方差矩阵。 CalcGlobalOrientation，计算所选区域中的一般运动方向，并返回0到360之间的角度。首先，函数构建方向直方图，并将基本方向作为直方图最大值的坐标。之后，该函数计算相对于基本方向的移位，作为所有方向向量的加权和：运动越近，权重越大。得到的角度是基本方向和偏移的圆和。 CalcHist，计算一组数组的直方图 CalcMotionGradient，计算mhi的导数Dx和Dy，然后计算梯度取向为：方向（x，y）= arctan（Dy（x，y）/ Dx（x，y）），其中Dx（x，y）考虑Dy（x，y）“符号（如cvCartToPolar函数）。填写面罩后，指出方向有效（见delta1和delta2说明）.. CalcOpticalFlowFarneback（IInputArray，IInputArray，IInputOutputArray，Double，Int32，Int32，Int32，Int32，Double，OpticalflowFarnebackFlag），使用Gunnar Farneback算法计算密集的光流。 CalcOpticalFlowFarneback（Image <Gray，Byte>，Image <Gray，Byte>，Image <Gray，Single>，Image <Gray，Single>，Double

02

滑雪教学视频高级双板_双板滑雪中级技巧

转载于：http://www.cnblogs.com/1-2-3/archive/2012/03/08/ski-vidio.html

01

Drug Discov Today | 分子表示与性质预测中的深度学习方法

2022年9月24日，青岛大学计算机科学技术学院李臻教授团队在Drug Discovery Today上发表文章“Deep learning methods for molecular representation and property prediction”。在论文中，作者回顾并总结了现有的分子表示与性质预测的深度学习方法，并讨论了深度学习方法在分子表示和性质预测方面的挑战和机遇。

02

3D卷积入门 | 多论文笔记 | R2D C3D P3D MCx R(2+1)D

看到这篇论文是因为之前看到一篇Nature上的某一篇医疗影像的论文中用到了这几个算法，R3D，MC3和R2+1D的3D卷积的算法。因为对3D卷积的算法了解比较局限，所以开始补一补这方面的算法。

01

NumPy 获取唯一元素、出现次数、展平数组

要获取NumPy数组中唯一值的索引（数组中唯一值的第一个索引位置的数组），只需在np.unique()中传递return_index参数:

02

DataTable数据转换为实体

我们在用三层架构编写软件时，常常会遇到例如以下问题，就是三层之间的參数传递问题：假设我们在D层查询出数据是DataTable类型的，那么我们在B层甚至U层使用这条数据时，就要用DataTable类型来回传递了，不管什么情况，我们都会不可避免的要填写读取的字段。比如我们须要使用第一条记录的的某个字段。代码须要这样写：mrc.count(*)rows(*).这样写的坏处有非常多：

01

NumPy 1.26 中文官方指南（二）

NumPy（Numerical Python）是一个开源的 Python 库，几乎在每个科学和工程领域中都被使用。它是 Python 中处理数值数据的通用标准，在科学 Python 和 PyData 生态系统的核心地位不可撼动。NumPy 的用户包括从初学者程序员到经验丰富的从事最前沿的科学和工业研究与开发的研究人员。NumPy API 在 Pandas、SciPy、Matplotlib、scikit-learn、scikit-image 和大多数其他数据科学和科学 Python 软件包中得到广泛应用。

01

你说话时的肢体动作，AI仅凭声音就能预测 | CVPR 2019

人在说话的时候，常常伴随着身体动作，不管是像睁大眼睛这样细微的动作，还是像手舞足蹈这样夸张的动作。

04

ImageDataGenerator

这个类是做什么用的？通过实时数据增强生成张量图像数据批次，并且可以循环迭代，我们知道在Keras中，当数据量很多的时候我们需要使用model.fit_generator()方法，该方法接受的第一个参数就是一个生成器。简单来说就是：ImageDataGenerator()是keras.preprocessing.image模块中的图片生成器，可以每一次给模型“喂”一个batch_size大小的样本数据，同时也可以在每一个批次中对这batch_size个样本数据进行增强，扩充数据集大小，增强模型的泛化能力。比如进行旋转，变形，归一化等等。

02

Transformer在视觉领域的应用

论文: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

06

java_Object类、日期时间类、System类、包装类

java.lang.Object 类是所有类的父类。它描述的所有方法子类都可以使用。在对象实例化的时候，最终找的父类就是Object。

02

Python数据分析 | Numpy与2维数组操作

教程地址：http://www.showmeai.tech/tutorials/33

04

【社区投稿】给 NdArray 装上 CUDA 的轮子

Ndarry是Rust编程语言中的一个高性能多维、多类型数组库。它提供了类似 numpy 的多种多维数组的算子。与 Python 相比 Rust 生态缺乏类似 CuPy, Jax 这样利用CUDA 进行加速的开源项目。虽然 Hugging Face 开源的 candle 可以使用 CUDA backend 但是 candle 项瞄准的是大模型的相关应用。本着自己造轮子是最好的学习方法，加上受到 Karpathy llm.c 项目的感召（这个项目是学习如何编写 CUDA kernel 的最好参考之一），我搞了一个 rlib 库给 NdArray 加上一个跑在 CUDA 上的矩阵乘法。ndarray-linalg 库提供的点乘其中一个实现（features）是依赖 openblas 的，对于低维的矩阵性能可以满足需求，但是机器学习，深度学习这些领域遇到的矩阵动辄上千维，openblas 里古老的优化到极致的 Fortran 代码还是敌不过通过并行性开挂的CUDA。

01

典型开源3D引擎分类比较

常见的3D引擎有：Unreal、Quake、Lithtech、OGRE、Nebula、Irrlicht、Truevision3D...

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭