我正在看一些CNN文章。我看到他们将输入图像转换为(channel, width, height)。
来自MXNET CNN Tutorial的代码示例。
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)
谁能解释为什么我们要进行这种转变？
最佳答案
二维卷积有几种图像格式，主要有：
通道优先或NCHW格式，即(batch, channels, height, width)。
通道倒数或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种转换为另一种，尽管有证据表明，当使用一种特定的数据格式时，某些低级实现会更有效地执行（请参见this question）。
计算引擎通常接受两种格式，但是具有不同的默认值，例如
Tensorflow accepts both并默认使用NHWC。
Theano accepts仅NCHW格式。
Keras也可以同时使用两者，并且具有dedicated setting。默认情况下，最新版本还使用NHWC。
MXNet也为accepts both formats，但默认值为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，只是避免在网络中使用layout参数。