Transformer中图像Embedding为浮点列表，文本Embedding为嵌套列表的原因

这俩格式差异的核心原因是你在获取图像Embedding时手动提取了单个样本，而文本Embedding保留了批量维度。

图像Embedding的代码分析 #

batch_size = 1
inputs = processor(images=image, return_tensors="pt", padding=True)
image_features = model.get_image_features(inputs.pixel_values)[batch_size-1]  # 关键的索引操作
embeddings = image_features.numpy().astype(np.float32)

model.get_image_features原本返回的是形状为(batch_size, embedding_dim)的张量，你通过[batch_size-1]（也就是[0]）提取了批量中的第一个样本，直接去掉了外层的批量维度，最终得到一维的浮点列表。

文本Embedding的代码分析 #

inputs = tokenizer(text, return_tensors = "pt")
text_embeddings = model.get_text_features(**inputs)
embedding_as_np = text_embeddings.cpu().detach().numpy()
embeddings = embedding_as_np.astype(np.float32)

这里model.get_text_features同样返回(batch_size, embedding_dim)的张量，但你没有做索引提取操作，直接转成numpy数组后保留了批量维度，所以变成了(1, embedding_dim)的二维数组，也就是你看到的“仅含一个元素的浮点嵌套列表”。

统一格式的方法 #

如果想让文本Embedding也变成一维浮点列表，只需要添加索引提取单个样本：

inputs = tokenizer(text, return_tensors = "pt")
text_embeddings = model.get_text_features(**inputs)[0]  # 提取第一个样本
embedding_as_np = text_embeddings.cpu().detach().numpy()
embeddings = embedding_as_np.astype(np.float32)

反过来，要是想让图像Embedding保留嵌套格式，去掉索引操作即可。

内容的提问来源于stack exchange，提问作者Tiina