将Pytorch模型移植到Tensorflow时，输入形状中的通道维度索引

在通过ONNX将PyTorch模型转换为TensorFlow时，我遇到的一个主要问题是速度慢，这似乎与输入形状有关，尽管我能够通过这两个框架获得精确的输出

PyTorch输入形状为

B、C、H、W

，Tensorflow输入形状为

B、H、W、C

，其中

B、C、H、W分别代表批次大小、通道、高度和宽度。从技术上讲，在使用Tensorflow时，我使用两个调用
np.swapaxes
，轻松解决了输入形状问题：

# Single image, no batch size here yet
image = np.swapaxes(image, 0, 2)   # Swapping C and H dimensions - result: C,W,H
image = np.swapaxes(image, 1, 2)   # Swapping H and W dimensions - result: C,H,W (like Pytorch)

慢度问题似乎与PyTorch与Tensorflow中卷积运算的实现方式不同有关。PyTorch预期通道优先，Tensorflow预期通道最后

因此，当我使用Netron可视化模型时，ONNX模型看起来抽象且有意义（第一张图），而Tensorflow
.pb
格式的模型看起来像一团乱麻（第二张图）。

注：这个问题似乎已经引起了的作者的关注，它支持将源自Pytorch的
C，H，W
顺序更改为
H，W，C
的实验特性

你知道如何克服这个限制吗？还有其他更抽象地将PyTorch模型导出到Tensorflow的选项吗

ONNX（来自PyTorch）-您可以看到直流和剩余块：


Tensorflow（从ONNX模型导入）-几乎没有什么像是一系列预定义的操作：

直觉上，输入形状不应该是问题的关键。你能提供关于你的代码（pytorch和tensorflow）的更多细节吗？@zhf061我认为输入形状可能是个问题，因为如果tensorflow需要
H，W，C
，那么它的卷积层可能会相应地实现。当使用我使用ONNX移植的原始Pytorch模型处理Tensorflow时（它仍然期望Pytorch的形状为
C，H，W
），我需要首先重塑输入以符合网络/Pytorch的原始要求。这就是为什么我认为ONNX不能真正使用Tensorflow的高级卷积层API，因此它使用了一些未优化的操作系列，而不是因为不熟悉ONNX。我找到了两个链接，希望它们能给你一个线索。@zhf061，谢谢。问题似乎与Tensorflow图未冻结有关。当前无法确定从ONNX导入模型时如何执行此操作