将特征图（3D 数组）拆分为 2D 数组答案

【问题标题】：Split feature maps (3D arrays) into 2D arrays将特征图（3D 数组）拆分为 2D 数组
【发布时间】：2018-07-05 23:10:41
【问题描述】：

假设我有一个形状为 (32, 32, 96) 的特征图（即 3D 数组）

In [573]: feature_map = np.random.randint(low=0, high=255, size=(32, 32, 96))

现在，我想分别可视化每个特征图。所以，我想提取每个正面切片（即形状为(32, 32) 的二维数组），这样就可以得到 96 个这样的特征图。

如何获取这些数组，可能不作为副本以提高内存效率？由于这只是用于可视化，所以 view 就足够了！

【问题讨论】：

标签： python numpy multidimensional-array computer-vision deep-learning

【解决方案1】：

您可以使用np.transpose 和切片操作（不创建数组的副本）：

feature_map = np.random.randint(low=0, high=255, size=(32, 32, 96))
feature_map = np.transpose(feature_map, axes=[2, 0, 1])
for i in range(feature_map.shape[0]):
  print(feature_map[i].shape)  # a view of original array. shape=(32, 32)

...或者只是切片：

for i in range(feature_map.shape[2]):
  print(feature_map[:, :, i].shape)  # a view of original array. shape=(32, 32)

【讨论】：

为什么需要transpose？我认为feature_map[..., i] 应该完成这项工作，对吧？
是的，两个版本都可以。其实我更喜欢第二个
谢谢！！另外，请查看我的答案；）

【解决方案2】：

import numpy as np

def do_something(array_slice):
    print array_slice

feature_map = np.random.randint(low=0, high=255, size=(3, 3, 9))

# loop over the indices of the last dimension of the array (i.e. 0 to 8)
for level in range(feature_map.shape[2]):
    # now take only the 2d-slice of the first two dimensions at the height of 'level'
    do_something(feature_map[:,:,level])

# you could also take a slice from another dimension
for level in range(feature_map.shape[1]):    
    do_something(feature_map[:,level,:])

【讨论】：

虽然此代码可能会回答问题，但提供有关它如何和/或为什么解决问题的额外上下文将提高答案的长期价值。请阅读此how-to-answer 以提供高质量的答案。

【解决方案3】：

我还意识到numpy.dsplit() 可以用于此类 3D 数组，因为我们正试图将其沿深度拆分。但是，我必须另外使用np.squeeze() 来消除第三维。此外，根据我的情况，它还返回数组的 view。

# splitting it into 96 slices in one-go!
In [659]: np.dsplit(feature_map, feature_map.shape[-1])

In [660]: np.dsplit(feature_map, feature_map.shape[-1])[10].flags
Out[660]: 
  C_CONTIGUOUS : False
  F_CONTIGUOUS : False
  OWNDATA : False   #<============== NO copy is made
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False

In [661]: np.dsplit(feature_map, feature_map.shape[-1])[10].shape
Out[661]: (32, 32, 1)

# getting rid of unitary dimension with `np.squeeze`
In [662]: np.squeeze(np.dsplit(feature_map, feature_map.shape[-1])[10]).shape
Out[662]: (32, 32)

In [663]: np.squeeze(np.dsplit(feature_map, feature_map.shape[-1])[10]).flags
Out[663]: 
  C_CONTIGUOUS : False
  F_CONTIGUOUS : False
  OWNDATA : False   #<============== NO copy is made
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False

【讨论】：