我正在尝试将 60000,28,28 mnist 数字列表简单地重塑为 60000,784 numpy 数组，其中数字已展开。
为此，代码如下：
(xdata,xlabel),(ydata,ylabel)=tf.keras.datasets.mnist.load_data()
newxdata=np.array([])
cnt=0
for i in xdata:
tmpx=i.ravel()
if cnt == 0:
newxdata=np.concatenate((newxdata,tmpx))
else:
newxdata=np.vstack((newxdata,tmpx))
cnt=cnt+1
为什么这需要这么长时间才能运行？有没有办法加快速度？最终，数据将以较小的批量输入到 keras 模型中。当要求批量大小时，编写一个执行循环展开的生成器会提高性能还是不会产生影响？
您可以简单地通过以下方式重塑 numpy 数组：
newxdata = xdata.reshape((60000,28*28))
例如。或者简单地说：
newxdata = xdata.reshape((len(xdata),-1))
请注意，reshape 是一个 numpy 函数，它也可以用作：
import numpy as np
newxdata = np.reshape(xdata, (60000,-1))
为了加快您的循环，您也可以使用multiprocessing.Pool或CuPy或Numba等库。
我接受了这个建议，并对实施进行了一些补充。
最终，新转换的数据将被一个需要输入（batch_size，unrolled image）的keras函数摄取，所以我创建了一个生成器函数.returnbatch（batch_size），它返回一个（batchsize，unrolledimage）