Javascript 如何将角度数据转换为正确的张量格式？

我正在做一个机器学习项目，我正在尝试用angular来部署我的算法。 我已经正确地上传了预训练模型，并且我成功地从csv上传了数据，但是现在我无法正确地将数据转换为正确的张量格式。 我的模型是一个LSTM神经网络，它期望加速计数据（x轴、y轴和z轴）长度为60的时间窗口预测人类活动，因此张量的格式为[any，60,3] 在下面，你可以找到我的代码的重要部分，我到现在为止

在这里加载模型

async loadModel() {
   this.model = await tf.loadLayersModel('assets/tfjs_model/model.json');
 };

现在我有一个带有tf.ones（）函数的占位符，可以简单地测试我的预测是否有效（它确实有效！！）

})

这是代码的一部分，我在这里加载数据

getDataRecordsArrayFromCSVFile(csvRecordsArray: any, headerLength: any) {
let dataArr = [];

for (let i = 0; i < csvRecordsArray.length; i++) {
  let data = (<string>csvRecordsArray[i]).split(',');

  // FOR EACH ROW IN CSV FILE IF THE NUMBER OF COLUMNS
  // ARE SAME AS NUMBER OF HEADER COLUMNS THEN PARSE THE DATA
  if (data.length == headerLength) {

    let csvRecord: CSVRecord = new CSVRecord();

  //  csvRecord.timestep = Number(data[0].trim());
    csvRecord.xAxis = Number(data[1].trim());
    csvRecord.yAxis = Number(data[2].trim());
    csvRecord.zAxis = Number(data[3].trim());

    dataArr.push(csvRecord);
  }
}
return dataArr;
}

---

与其创建一个对象来填充

dataArr

，不如使用数组

if (data.length == headerLength) {

    let csvRecord: number[] = [];

  //  csvRecord.timestep = Number(data[0].trim());
    csvRecord.push(Number(data[1].trim()));
    csvRecord.push(Number(data[2].trim()));
    csvRecord.push(Number(data[3].trim()));

    dataArr.push(csvRecord);
  }

然后，要从

dataArr

中创建张量，可以使用

tf.tensor(dataArr)

使用

tf.tensor

，它将创建一个形状为

[dataArr.length，3]

---

但是，如果

dataArr

是一个大数组，尝试直接创建它的张量将导致内存问题，因为在计算期间开始使用时，整个数据将直接上载到张量后端。这篇文章讨论了在创建张量时如何处理大数据。

我知道答案以及人们回答我的问题所花的时间，我正在努力自己解决问题。但在这样做的同时，新的问题/问题也出现了。我只是在这里寻求帮助，因为我对编程的某些部分还不熟悉……请参见下面的答案谢谢，这帮了大忙——还有关于如何处理大型数据集的链接！）你有没有办法，我怎么能把这个形状的张量转换成这个形状的张量（任意，60，3）？因此，我的算法需要60个数据点，包括x轴、y轴和z轴数据。根据整个数据集（例如，如果我有36o个数据点，形状将是[6,60,3]），你可以使用

张量。重塑（[-1,60,3]）

。但是，为了重塑工作，你需要有许多数据的倍数

60*3=180

if (data.length == headerLength) {

    let csvRecord: number[] = [];

  //  csvRecord.timestep = Number(data[0].trim());
    csvRecord.push(Number(data[1].trim()));
    csvRecord.push(Number(data[2].trim()));
    csvRecord.push(Number(data[3].trim()));

    dataArr.push(csvRecord);
  }

tf.tensor(dataArr)