Primero, las matrices A, n1 y n2 deben leerse en la memoria como matrices NumPy. Por ejemplo:
Importar numpy como np
A = np.array([
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]
])
n1 = np.array( [
[1, 2],
[5, 6]
])
n2 = np.array([
[3, 4],
[7, 8]
])
A continuación, puede utilizar la función correlate2d() de NumPy. Convolucione la matriz A de n1 o n2 en dos dimensiones y vea si el resultado es distinto de cero. Por ejemplo:
Resultado 1 = NP 2d(A, n1) correlacionado
resultado 2 = NP 2d(A, N2) correlacionado cualquiera(resultado 1):imprimir. ( 'n 1 tiene una posición correspondiente en A')else: print('n1 no tiene una posición correspondiente en A')if np.any(resultado2): print('n2 tiene una posición correspondiente en A')else.
Si la matriz A contiene n1 o n2, el programa anterior generará "n1 tiene una posición correspondiente en A" o "n2 tiene una posición correspondiente en A".
En el siguiente programa, utilizamos la función distinta de cero() de NumPy para encontrar la posición del valor distinto de cero en la matriz resultante e imprimirla.
Resultado 1 = NP 2d(A, n1) correlacionado
resultado 2 = NP 2d(A, n2) correlacionado
si NP . resultado 1):print(' n 1 en A:') print(np . distinto de cero (resultado 1))
De lo contrario: print('n1 no tiene una posición correspondiente en A')
Si np.any(resultado2): print('n2 en A:') print(np . distinto de cero (resultado2))
Si no: print('n2 no tiene ningún valor correspondiente en una ubicación')
Ejecute el programa anterior. Si los valores de A, n1 y n2 son los valores anteriores, se generará lo siguiente:
N1 en a:
(array([0]), array( [0]))
N2 no tiene una posición correspondiente en a
Esto significa que n1 tiene una posición correspondiente en la posición (0, 0) de la matriz A, mientras que n2 no tiene posición correspondiente en la matriz A La ubicación.
Espero que esta información le ayude a comprender e implementar el algoritmo.