Machine learning CNN：为什么图像矩阵转换为（通道、宽度、高度）？_Machine Learning_Neural Network_Conv Neural Network_Convolution_Mxnet

Machine learning CNN：为什么图像矩阵转换为（通道、宽度、高度）？

machine-learning neural-network

Machine learning CNN：为什么图像矩阵转换为（通道、宽度、高度）？,machine-learning,neural-network,conv-neural-network,convolution,mxnet,Machine Learning,Neural Network,Conv Neural Network,Convolution,Mxnet,我正在浏览一些CNN的文章。我看到它们将输入图像转换为（通道、宽度、高度）一个代码示例取自有人能解释为什么我们要进行这种转换吗？二维卷积有几种图像格式，主要有：频道优先或NCHW格式，即（批次、频道、高度、宽度）频道最后一个或NHWC格式，即（批次、高度、宽度、频道）它们基本上是等价的，可以很容易地从一个转换到另一个，尽管有证据表明，当使用特定的数据格式时，某些低级实现的执行效率更高（请参阅）计算引擎通常接受两种格式，但有不同的默认值，例如默认情况下，Tensorflow和使

我正在浏览一些CNN的文章。我看到它们将输入图像转换为

（通道、宽度、高度）

一个代码示例取自

有人能解释为什么我们要进行这种转换吗？

二维卷积有几种图像格式，主要有：

频道优先或

NCHW

格式，即

（批次、频道、高度、宽度）

频道最后一个或

NHWC

格式，即

（批次、高度、宽度、频道）

它们基本上是等价的，可以很容易地从一个转换到另一个，尽管有证据表明，当使用特定的数据格式时，某些低级实现的执行效率更高（请参阅）

计算引擎通常接受两种格式，但有不同的默认值，例如

默认情况下，Tensorflow和使用
```
NHWC
```
Theano only
```
NCHW
```
格式
Keras也与这两种方法一起工作，并且有一个解决方案。默认情况下，最新版本还使用
```
NHWC
```
MXNet，但默认值为
```
NCHW
```
：
默认数据布局为
```
NCHW
```
，即
```
（批次大小、通道、高度、宽度）
```
。我们可以选择其他布局，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

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)