Python 如何通过迭代成批数组来创建多维结果

我正在迭代一些输入批次，并生成具有形状（BatchSize，X，Y）的结果。

BatchSize

不一定与我在批上循环相同。我想返回一个输出，它是沿批处理维度的结果的连接版本。在NumPy最优雅的方式是什么

---

我并不太担心性能，而是要处理累积结果数组的多维性。

假设您有足够的内存来保存所有结果，一个好的解决方案是只需预先分配内存：

result = np.empty(OUTPUT_SHAPE)
i=0
while i < input_tensor.shape[0]:
    batch_size = get_batch_size(i)
    result[i:i+batch_size] = deal_with_batch(input_tensor[i:i+batch_size])
    i += batch_size

result=np.empty（输出形状）
i=0
而i

是正确的。然而，我一直在寻找增量版本，我想我已经找到了：

定义

results=np.empty（（0，output\u shape））

然后在循环中使用

results=np.concatenate（（results，some\u func（x）））更新它。

---

我不确定我应该如何在numpy中考虑大小为0的维度，但它是有效的。

在移动设备上合成的。。。请原谅任何语法错误。：）可能是重复的哦，上帝，不要再问这个问题了。由于无法正确地预分配，最好的方法是在一个普通Python列表中累积子数组，然后在最后将所有子数组连接在一起。有很多QA线程都有可能进行优化，但是我描述的

cat

方法几乎和它们中的任何一个都一样好。注意这个解决方案，因为它有二次运行时。更好的方法是

。将每个
结果
追加到
列表
，然后在末尾将它们串联一次。要详细说明，
np.concatenate
调用必须分配一个全新的数组，并对当前
结果
矩阵执行memcpy。每个批次都会发生这种情况，
结果
矩阵每次都会增长。因此，我们先存储1批，然后存储2批，然后存储3批，以此类推。
sum（range[n]）
~n^2。i、 例如，随着批处理数量的增加，此解决方案的扩展性将非常差。根据性能，通常建议在列表中收集阵列，并在最后执行一个
串联。增量的
串联
有两个主要问题-创建起始数组不像
alist=[]
那么简单（正如您所发现的），以及速度（它每次创建一个新数组时都会使用完整副本）。List
append
只添加一个指向列表的指针，而不是一个全新的数组。