Tensorflow 如何使用tf.summary.image（）以[batch，Channel，width，height]（NCHW）顺序在tensorboard中可视化图像？

首先，我想使用

tf.reformate（）

我原以为

tf.reformate（）

会改变

[批次，阵列]

->

[批次，宽度，高度，通道]

（NHWC）订单
但在实践中，它改变了

[批次，阵列]

->

[批次，通道，宽度，高度]

（NCHW）订单

例如：

a = np.array([[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16],[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16]])
print(a.shape)

# [batch_size, channels, height, width]
b = sess.run(tf.reshape(a, shape=[2, 3, 4, 4]))

# [batch_size, height, width, channels]
c = sess.run(tf.reshape(a, shape=[2, 4, 4, 3]))

print(b)
print('*******')
print(c)

结果是：

(2, 48)
[[[[ 1  2  3  4]
   [ 5  6  7  8]
   [ 9 10 11 12]
   [13 14 15 16]]

  [[ 1  2  3  4]
   [ 5  6  7  8]
   [ 9 10 11 12]
   [13 14 15 16]]

  [[ 1  2  3  4]
   [ 5  6  7  8]
   [ 9 10 11 12]
   [13 14 15 16]]]


 [[[ 1  2  3  4]
   [ 5  6  7  8]
   [ 9 10 11 12]
   [13 14 15 16]]

  [[ 1  2  3  4]
   [ 5  6  7  8]
   [ 9 10 11 12]
   [13 14 15 16]]

  [[ 1  2  3  4]
   [ 5  6  7  8]
   [ 9 10 11 12]
   [13 14 15 16]]]]
*******
[[[[ 1  2  3]
   [ 4  5  6]
   [ 7  8  9]
   [10 11 12]]

  [[13 14 15]
   [16  1  2]
   [ 3  4  5]
   [ 6  7  8]]

  [[ 9 10 11]
   [12 13 14]
   [15 16  1]
   [ 2  3  4]]

  [[ 5  6  7]
   [ 8  9 10]
   [11 12 13]
   [14 15 16]]]


 [[[ 1  2  3]
   [ 4  5  6]
   [ 7  8  9]
   [10 11 12]]

  [[13 14 15]
   [16  1  2]
   [ 3  4  5]
   [ 6  7  8]]

  [[ 9 10 11]
   [12 13 14]
   [15 16  1]
   [ 2  3  4]]

  [[ 5  6  7]
   [ 8  9 10]
   [11 12 13]
   [14 15 16]]]]

因此，我将conv和pooling层的

data\u format='channels\u first'

更改为使用NCHW顺序的重塑张量。事实上，训练是很好的

--verbose:

它给出了更好的结果，正如@mrry在中提到的，我认为这是可以理解的，因为NCHW是cuDNN的默认顺序

但是，我无法使用

tf.summary.image（）

将图像添加到摘要中，因为所需的张量形状应该是

[批次大小、高度、宽度、通道]

顺序

此外，如果我按

[批次、宽度、高度、通道]

顺序对输入图像进行训练和可视化，则表示图像不正确。
值得一提的是，培训效果不如使用

[批次、通道、宽度、高度]

顺序

有几个问题：
1。为什么

tf.reformate（）

transform

[batch，array]

->（NCHW）顺序而不是（NHWC）顺序？我用tf CPU和GPU进行了测试，结果相同。我还使用了np.reforme（），也是同样的结果。（这就是为什么我可能会误解这里的某些内容）
2。如何使用tf.summary.image（）按（NCHW）顺序在tensorboard中可视化图像？（问题#2通过@Maosi Chen的建议解决了。谢谢）

我已经在GPU（1.4版）上训练了模型，图像来自CIFAR-10数据集。

---

谢谢

您可以通过

tf.transpose

（）对维度进行重新排序

请注意，

perm

元素是源张量（

a

）的维度索引

结果:

(2, 48) [[[[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]]


 [[[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]]]
******* [[[[ 1  1  1]    [ 2  2  2]    [ 3  3  3]    [ 4  4  4]]

  [[ 5  5  5]    [ 6  6  6]    [ 7  7  7]    [ 8  8  8]]

  [[ 9  9  9]    [10 10 10]    [11 11 11]    [12 12 12]]

  [[13 13 13]    [14 14 14]    [15 15 15]    [16 16 16]]]


 [[[ 1  1  1]    [ 2  2  2]    [ 3  3  3]    [ 4  4  4]]

  [[ 5  5  5]    [ 6  6  6]    [ 7  7  7]    [ 8  8  8]]

  [[ 9  9  9]    [10 10 10]    [11 11 11]    [12 12 12]]

  [[13 13 13]    [14 14 14]    [15 15 15]    [16 16 16]]]]

---

您可以通过

tf.transpose

（）对尺寸进行重新排序

请注意，

perm

元素是源张量（

a

）的维度索引

结果:

(2, 48) [[[[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]]


 [[[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]

  [[ 1  2  3  4]    [ 5  6  7  8]    [ 9 10 11 12]    [13 14 15 16]]]]
******* [[[[ 1  1  1]    [ 2  2  2]    [ 3  3  3]    [ 4  4  4]]

  [[ 5  5  5]    [ 6  6  6]    [ 7  7  7]    [ 8  8  8]]

  [[ 9  9  9]    [10 10 10]    [11 11 11]    [12 12 12]]

  [[13 13 13]    [14 14 14]    [15 15 15]    [16 16 16]]]


 [[[ 1  1  1]    [ 2  2  2]    [ 3  3  3]    [ 4  4  4]]

  [[ 5  5  5]    [ 6  6  6]    [ 7  7  7]    [ 8  8  8]]

  [[ 9  9  9]    [10 10 10]    [11 11 11]    [12 12 12]]

  [[13 13 13]    [14 14 14]    [15 15 15]    [16 16 16]]]]

---

我尝试了difference

perm

组合，但它似乎没有像我们预期的那样工作。同样根据我上面的例子，你认为应该是哪个

tf.transpose（）。谢谢你对问题1怎么看？它最初一定是这样排列的。你需要知道原始的顺序，然后再重塑它，把它转换成想要的4D张量。我同意。这有点模糊，因为当我使用MNIST时，通道=1，
tf.reforme（）
对于tensorboard上的训练和可视化效果很好。我尝试了difference
perm
组合，但它似乎没有像我们预期的那样工作。同样根据我上面的例子，你认为应该是哪个
tf.transpose（）。谢谢你对问题1怎么看？它最初一定是这样排列的。你需要知道原始的顺序，然后再重塑它，把它转换成想要的4D张量。我同意。这有点模糊，因为当我使用MNIST时，通道=1，
tf.reforme（）
对于tensorboard上的训练和可视化效果很好。