Deep learning 我想将（50000,32,32）掩码应用于数据加载器（50000,32,32,3）_Deep Learning_Pytorch

Deep learning 我想将（50000,32,32）掩码应用于数据加载器（50000,32,32,3）

deep-learning pytorch

Deep learning 我想将（50000,32,32）掩码应用于数据加载器（50000,32,32,3）,deep-learning,pytorch,Deep Learning,Pytorch,我用手电筒做了一个愚蠢的面具形状。大小（[50000,32,32]）我应该如何使用（50000、32、32、3）将其应用于原始数据集形状我正在尝试更改原始数据加载器的数据集原始数据集（50000,32,3）x掩码（50000,32,32）但是由于形状的差异，我不知道如何应用元素乘法，这只适用于可广播的（形状兼容的张量）。这意味着秩（维数）应该相等，两个张量的每个维数应该相等，或者其中一个（或两个）可以是1。所以，您所需要的只是添加空维度来代替遮罩的通道。您的遮罩将具有形状（50000,

我用手电筒做了一个愚蠢的面具形状。大小（[50000,32,32]）
我应该如何使用（50000、32、32、3）将其应用于原始数据集形状

我正在尝试更改原始数据加载器的数据集

原始数据集（50000,32,3）x掩码（50000,32,32）

但是由于形状的差异，我不知道如何应用元素乘法，这只适用于可广播的（形状兼容的张量）。这意味着秩（维数）应该相等，两个张量的每个维数应该相等，或者其中一个（或两个）可以是1。所以，您所需要的只是添加空维度来代替遮罩的通道。您的遮罩将具有形状

（50000,32,32,1）

，并且您将能够乘法：

result = dataset * mask[:, :, :, None]

或实施：

result = dataset * np.expand_dims(mask, axis=3)

你能详细说明一下吗？你想干什么？你面临的问题是什么？试着用mask编辑原始数据加载器的数据集你是什么意思？请编辑您的问题，以反映您尝试过的内容以及您面临的问题