a为3*4的矩阵，b为2*4的矩阵，现要形成[abfrac{a}{b}]一样的矩阵，就需要扩充a 法一：
代码语言：javascript复制 import numpy as np
a=np.row_stack( (a , b) )法二：
代码语言：javascript复制 c=np.zeros( (5 , 4) ）
for i in range(5):
if i<3:
c[i]=a[i]
else :
c[i]=b[i-3]如果只是扩充这么一次，肯定选择法1 但是如果是要扩充多次，即a,b扩充之后还要进行多次的扩充，那么法2是个优势选择。 这里举个例子： training_set是个（imgMatrix,label)的二维元组，imgMatrix是个60000*784的矩阵，label是个784*1的矩阵。imgMatrix的一行为一个img，同一种类的img的label是相同的，imgMatrix中共十个种类。下面程序的目的是从imgMatrix中找出同一种类的img，并分别构成各个种类的矩阵
注释部分采用的法1，循环6000次就需要5.02s，60000次时间更长，不是简单的5.02s*10，我没有继续等待，也不知道具体时间是多少，但等了几分钟都没有结束。 而采用法2（未注释部分），只需要1.02s！！！，是真的快！
代码语言：javascript复制 training_set,test_set=mnist_loader()
print 'data load over'
#start1=time.clock()
#nullMatrix=np.mat( training_set[0].shape[1]*[[]] ).T
#omega=10*[nullMatrix]
#for k in range(60000):
# label=training_set[1][k,0]
# omega[label]=np.row_stack( (omega[label] , training_set[0][k]) )
#end1=time.clock()
#print end1-start1
start2=time.clock()
count=10*[0]
for k in range(60000):
label=training_set[1][k,0]
count[label] =1
omega=10*[0]
for i in range(10):
omega[i]=np.zeros( (count[i],784) )
index=10*[0]
for k in range(60000):
label=training_set[1][k,0]
omega[label][index[label]]=training_set[0][k]
index[label]=index[label] 1
end2=time.clock()
print end2-start2
