# 读取输入数据 # 读取train.hdf5文件中的二维数组 with h5py.File('train.hdf5', 'r') as f: arr = f['increment_0/phase/alpha-Ti/mechanical/O'][:] # 在每一行的最后添加一个新的数字 new_num = input('请输入一个新的数字：') arr = np.hstack((arr, np.ones((arr.shape[0], 1)) * float(new_num))) # 每1024行提取出来作为一个二维数组 input_arr_reshaped = arr.reshape((-1, 1024, 5)) # 将每个二维数组转换成三维数组 input_arr_3d = [] for i in range(input_arr_reshaped.shape[0]): input_arr_3d.append(np.reshape(input_arr_reshaped[i], (32, 32, 5))) # 将每个三维数组转换成5 * 32 * 32的三维数组 input_arr_5_32_32 = [] for i in range(len(input_arr_3d)): input_arr_5_32_32.append(np.transpose(input_arr_3d[i], (2, 0, 1))) # 输出第一个三维数组中的第一个纵向二维数组 input_arr01 = input_arr_5_32_32[0] input_arr01 = np.array(input_arr01) input_arr01 = torch.from_numpy(input_arr01).float() input_arr01 = input_arr01.unsqueeze(0) 修改这段代码，使得每个被转换成5 * 32 * 32的数组都经历一次与input_arr_5_32_32[0]一样的修改

# 读取输入数据
# 读取train.hdf5文件中的二维数组
import h5py
import numpy as np
import torch

with h5py.File('train.hdf5', 'r') as f:
arr = f['increment_0/phase/alpha-Ti/mechanical/O'][:]

# 在每一行的最后添加一个新的数字
new_num = input('请输入一个新的数字：')
arr = np.hstack((arr, np.ones((arr.shape[0], 1)) * float(new_num)))

# 每1024行提取出来作为一个二维数组
input_arr_reshaped = arr.reshape((-1, 1024, 5))

# 将每个二维数组转换成三维数组
input_arr_3d = []
for i in range(input_arr_reshaped.shape[0]):
input_arr_3d.append(np.reshape(input_arr_reshaped[i], (32, 32, 5)))

# 将每个三维数组转换成5 * 32 * 32的三维数组
input_arr_5_32_32 = []
for i in range(len(input_arr_3d)):
input_arr_5_32_32.append(np.transpose(input_arr_3d[i], (2, 0, 1)))

# 对每个5 * 32 * 32的数组进行修改
modified_arr = []
for i in range(len(input_arr_5_32_32)):
arr_i = input_arr_5_32_32[i]
arr_i = np.array(arr_i)
arr_i = torch.from_numpy(arr_i).float()
arr_i = arr_i.unsqueeze(0)
modified_arr.append(arr_i)

# 输出第一个三维数组中的第一个纵向二维数组
input_arr01 = modified_arr[0]
print(input_arr01.shape) # 输出为 torch.Size([1, 5, 32, 32])