什么是npy文件，为什么要用npy格式保存文件？

文章目录

一、官方文档（中文）二、官方文档（英文）三、为什么要用npy文件保存文件四、读取和保存（1）加载npy文件，并将npy文件写入一个txt文件（2）保存npy文件（3）结构解析

一、官方文档（中文）

二、官方文档（英文）

三、为什么要用npy文件保存文件

A LOT faster, also notice that we didn’t need to reshape the data since that information was contained in the .npy file.（速度更快）Another “minor” feature of using .npy files is the reduced storage the file occupies. In this case it’s more than a 50% reduction in size. This can wary a lot though but in general the .npy files are more storage friendly.（占用内存更少）

四、读取和保存

（1）加载npy文件，并将npy文件写入一个txt文件

import numpy as np

test=np.load('./bvlc_alexnet.npy',encoding = "latin1") #加载文件

doc = open('1.txt', 'a') #打开一个存储文件，并依次写入

print(test, file=doc) #将打印内容写入文件中

（2）保存npy文件

#显示字典

print(train_dataset.class_to_idx)

idx_to_labels = {y:x for x,y in train_dataset.class_to_idx.items()}#获取dict:train_dataset.class_to_idx的keys和values

print(idx_to_labels)

np.save('idx_to_labels.npy',idx_to_labels)

np.save('labels_to index.npy',train_dataset.class_to_idx)

（3）结构解析

import numpy as np

from numpy import * #使用numpy的属性且不需要在前面加上numpy

import tensorflow as tf

#模型文件（.npy）部分内容如下：由一个字典组成，字典中的每一个键对应一层网络模型参数。（包括权重w和偏置b）

a = {'conv1':[array([[1,2],[3,4]],dtype=float32),array([5,6],dtype=float32)],'conv2':[array([[1,2],[3,4]],dtype=float32),array([5,6],dtype=float32)]}

conv1_w = a['conv1'][0]

conv1_b = a['conv1'][1]

conv2_w = a['conv2'][0]

conv2_b = a['conv2'][1]

print(conv1_w)

print(tf.Variable(conv1_w))

print(conv1_b)

print(tf.Variable(conv1_b))