Question

在TensorFlow中，我有一个形状为h的Tensor (?, 14, 14, 512)。

我通过tf.reshape(h, [-1, 196, 512])

重塑

导致形状张量(?, 196, 512)。完善。我需要对numpy数组做同样的事情。

我有一个巨大的多维NumPy数组保存到磁盘。它看起来像这样：

features = numpy.ndarray([3000, 14, 14, 2048], dtype=np.float32)

并且需要它的形状：

[3000, 196, 2048]

我怎样才能进行这种转变，以免丢失信息？

是numpy.reshape(features, (3000, 196, 2048))吗？

或numpy.reshape(features, (-1, 196, 2048))？

这两种重塑方法是否会产生相同的结果或有什么区别？

Answer 1

两者都有效，会给你相同的结果：

features = np.ndarray([3000, 14, 14, 2048], dtype=np.float32)

# prints (3000, 196, 2048)
print(np.reshape(features, (3000, 196, 2048)).shape)

# prints (3000, 196, 2048)
print(np.reshape(features, (-1, 196, 2048)).shape)

# another option, prints (3000, 196, 2048) as well
print(features.reshape((-1, 196, 2048)).shape)

只要您只有一个-1维度，numpy就能自动计算其值。

Answer 2

可以写成

a = np.ndarray([3000,14,14,2048])
b = a.reshape((-1, 196, 2048))

形状尺寸可以是-1，并且该值是从数组长度和剩余尺寸推断出来的。

在您的情况下，维度的第一个值必须为3000才能满足剩余的维度。

这两种重塑方法是否会产生相同的结果或有什么区别？

这两个应该给你相同的结果

需要帮助重塑多维NumPy数组

2 个答案: