Question

我正在阅读一些CNN文章。我看到他们将输入图像转换为(channel, width, height)。

def transform(data, label):
  # 2,0,1 means channels,width, height
  return nd.transpose(data.astype(np.float32), (2,0,1))/255, label.astype(np.float32)

任何人都可以解释我们为什么要进行这种转变？

Answer 1

二维卷积有多种图像格式，主要是：

频道优先或NCHW格式，即(batch, channels, height, width)。
频道最后或NHWC格式，即(batch, height, width, channels)。

它们基本上是等效的，并且可以很容易地从一个转换为另一个，尽管有证据表明某些低级实现在使用特定数据格式时执行效率更高（参见this question）。

计算引擎通常接受这两种格式，但具有不同的默认值，例如

Tensorflow accepts both并默认使用NHWC。
Theano accepts仅NCHW格式。
Keras也适用于两者，并且有dedicated setting。最新版本默认使用NHWC。
MXNet accepts both formats，但默认为NCHW：

默认数据布局为NCHW，即(batch_size, channel, height, width)。我们可以选择其他布局，例如NHWC。

这个默认值几乎是重塑张量的唯一原因，只是为了避免网络中的layout参数。

CNN：为什么图像矩阵转换为（通道，宽度，高度）？

1 个答案: