如何高效提取3D特征图的2D切片以实现内存友好的可视化

刚好处理过类似的需求，针对你这个形状为(32, 32, 96)的numpy特征图，要获取每个(32, 32)的切片视图非常简单，完全不需要额外拷贝内存，下面给你两种实用方法：

方法一：逐个遍历获取切片视图 #

如果需要逐个处理这些特征图切片，直接通过索引遍历第三个维度就行，拿到的都是原数组的视图：

import numpy as np

feature_map = np.random.randint(low=0, high=255, size=(32, 32, 96))

# 遍历所有96个特征图切片
for idx in range(feature_map.shape[-1]):
    # 这里拿到的slice_view是原数组的视图，没有内存拷贝
    slice_view = feature_map[:, :, idx]
    
    # 可以在这里直接做可视化操作，比如用matplotlib显示
    # import matplotlib.pyplot as plt
    # plt.imshow(slice_view, cmap='gray')
    # plt.show()
    
    # 验证是视图的小技巧：修改切片会同步到原数组
    # slice_view[0, 0] = 0
    # print(feature_map[0, 0, idx])  # 会输出0，说明确实是视图

方法二：一次性生成所有切片的视图集合 #

如果想一次性得到所有切片的视图集合，用np.moveaxis调整维度顺序就可以，这个操作完全不占额外内存：

# 将第三个维度（通道/特征图维度）移到第一个位置
# 得到形状为(96, 32, 32)的数组，每个元素都是原数组的视图
all_slices = np.moveaxis(feature_map, -1, 0)

# 现在all_slices[i]就是第i个(32,32)的特征图切片视图

这个方法更高效，尤其是当你需要批量处理所有切片的时候，np.moveaxis只是调整了数组的维度元信息，没有复制任何数据。

确认是视图的小验证 #

你可以随手验证一下：

all_slices[0][0, 0] = 255
print(feature_map[0, 0, 0])  # 输出255，说明修改切片会同步到原数组，确实是视图

这样操作既满足了可视化的需求，又不会浪费内存，特别适合处理大尺寸的特征图~

内容的提问来源于stack exchange，提问作者kmario23