如何将外部创建的三维张量加载为PyTorch神经网络的冻结层？

遇到这种问题很常见，我给你几个简单靠谱的方案，既满足人类可读的需求，又能轻松加载成PyTorch张量：

JSON天生支持嵌套列表，完美匹配你的三维张量结构，随便用个文本编辑器就能打开查看内容，格式还很规整。

保存步骤： #

import torch
import json

# 假设你的三维张量是这个示例
tensor_3d = torch.randn(3, 2, 2)
# 把张量转成Python嵌套列表
tensor_list = tensor_3d.tolist()

# 写入JSON文件，indent参数让格式更美观
with open("tensor.json", "w") as f:
    json.dump(tensor_list, f, indent=4)

加载步骤： #

import json
import torch

# 读取JSON文件里的嵌套列表
with open("tensor.json", "r") as f:
    tensor_list = json.load(f)

# 直接转成PyTorch张量，维度会自动还原
loaded_tensor = torch.tensor(tensor_list)

这个方法完全解决了你之前遇到的括号解析问题，JSON会自动处理嵌套结构，读取后一键转张量，根本不用手动调整维度。

如果你偏好只有纯数字的文本文件，那可以用Numpy把张量扁平化保存，读取时再还原回原维度。这种方式文件里全是数字，没有额外符号，只是需要你记住原张量的形状。

保存步骤： #

import torch
import numpy as np

tensor_3d = torch.randn(3, 2, 2)
# 转成Numpy数组并扁平化
flat_array = tensor_3d.numpy().flatten()
# 保存到txt，用空格分隔，fmt控制小数精度
np.savetxt("tensor_flat.txt", flat_array, fmt="%.6f")

加载步骤： #

import numpy as np
import torch

# 读取扁平化的数字数组
flat_array = np.loadtxt("tensor_flat.txt")
# 重新reshape成原维度（这里是3,2,2）
restored_array = flat_array.reshape(3, 2, 2)
# 转成PyTorch张量
loaded_tensor = torch.from_numpy(restored_array)

这种方式的好处是文件极简，缺点是需要你提前记录好原张量的维度信息，加载时手动指定reshape的参数。

如果偶尔不需要人类可读，只是想快速完成保存和加载，那直接用PyTorch原生方法最省事：

import torch

tensor_3d = torch.randn(3, 2, 2)
# 保存为.pt或.pth文件
torch.save(tensor_3d, "tensor.pt")

# 直接加载
loaded_tensor = torch.load("tensor.pt")

这个方法速度最快，但文件是二进制格式，没法用文本编辑器直接查看内容，适合不需要可读性的场景。

内容的提问来源于stack exchange，提问作者Kolya Ivankov