3D CNN 在一系列图像上的输入形状应该是什么？

Question

https://pytorch.org/docs/stable/generated/torch.nn.Conv3d.html#conv3d 描述了在 3D CNN 上做卷积的输入是 (N,C_in,D,H,W)。想象一下，如果我有一系列要传递给 3D CNN 的图像。我说得对吗：

1. N -> 序列数（小批量）
2. C_in -> 通道数（RGB 为 3）
3. D -> 序列中的图像数量
4. H -> 序列中一张图像的高度
5. W -> 序列中一张图像的宽度

我问的原因是，当我堆叠图像张量时：a = torch.stack([img1, img2, img3, img4, img5]) 我得到 torch.Size([5, 3, 396, 247]) 的形状，因此必须将我的张量重塑为 torch.Size([3, 5, 396, 247]) 以便该数字通道的数量会先行还是在 Dataloader 内无关紧要？

请注意，Dataloader 会自动添加一个对应于 N 的维度。

Answer 1

是的，这很重要，您需要确保维度排序正确（假设您使用 ByteStream 的默认整理功能）。一种方法是使用 DataLoader 而不是默认的 dim=1 来调用 torch.stack。例如

dim=0

导致 a = torch.stack([img1, img2, img3, img4, img5], dim=1) 为所需的 a 形状。