求基于现代C++实现nlohmann JSON转PyTorch多维张量的通用方法

我现有一段硬编码维度的代码，用于将nlohmann JSON数据转换为PyTorch张量：

auto x_data = json_data.at("x").get<std::vector<std::vector<float>>>();
auto x_options = torch::TensorOptions().dtype(at::kFloat);
torch::Tensor x_tensor = torch::zeros({32,10}, x_options); 
int x_n = 32;
int x_m = 10;
for (int i = 0; i < x_n; i++)
  x_tensor.slice(0, i,i+1) = torch::from_blob(x_data[i].data(), {x_m}, x_options);

auto y_data = json_data.at("y").get<std::vector<float>>();
auto y_opts = torch::TensorOptions().dtype(at::kFloat);
torch::Tensor y_tensor = torch::from_blob(y_data.data(), {54}, y_opts);  

我希望实现一个通用的模板函数，能像这样调用：

torch::Tensor x_tensor = getTensorFromJson<float>(json_data);
torch::Tensor y_tensor = getTensorFromJson<float>(json_data);

请问需要使用哪些现代C++技术来实现？无需提供代码，只需给出学习方向提示。另外，该函数需支持n>2的多维向量。谢谢。

• C++模板元编程：用于在编译期处理任意维度的嵌套std::vector类型，推导向量的层数与各维度尺寸，实现对多维结构的通用处理逻辑。
• 类型萃取（Type Traits）：识别输入类型是否为std::vector，提取其元素类型，区分一维与多维向量的场景，为递归处理提供类型判断依据。
• 递归模板函数：针对多维std::vector，通过递归逐层拆解结构，收集每个维度的尺寸信息，最终拼接成PyTorch张量所需的形状参数。
• constexpr编译期计算：在编译期确定张量的维度数量与各维度大小，避免运行时的额外计算开销，提升代码效率。
• nlohmann JSON泛型get接口结合模板参数：让函数自动适配不同维度的std::vector类型，无需硬编码具体的嵌套向量类型。
• PyTorch动态张量形状构建：将编译期推导的各维度尺寸组合成动态形状列表（如std::vector<int64_t>），传递给PyTorch的张量创建接口，支持任意维度的张量生成。

内容的提问来源于stack exchange，提问作者Fzza