DATA_FORMAT = 'NCHW' 和DATA_FORMAT = 'CHWN'

最新推荐文章于 2025-08-04 13:02:47 发布

MiracleBubble

最新推荐文章于 2025-08-04 13:02:47 发布

阅读量2.3k

点赞数

分类专栏： tensorflow

tensorflow 专栏收录该内容

12 篇文章

订阅专栏

本文详细解析了Theano与TensorFlow在表示彩色图片数据格式上的区别，包括NHWC（高度、宽度、通道）和NCHW（通道、高度、宽度）两种格式的转换方法，并提供了在Keras中指定数据格式的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

转载自https://blog.youkuaiyun.com/qq_39622065/article/details/81228915

NHWC
[batch, in_height, in_width, in_channels]

NCHW
[batch, in_channels, in_height, in_width]

转换
NHWC –> NCHW：

import tensorflow as tf

x = tf.reshape(tf.range(24), [1, 3, 4, 2])
out = tf.transpose(x, [0, 3, 1, 2])

print x.shape
print out.shape

(1, 3, 4, 2)
(1, 2, 3, 4)
1
2

NCHW –> NHWC：

import tensorflow as tf

x = tf.reshape(tf.range(24), [1, 2, 3, 4])
out = tf.transpose(x, [0, 2, 3, 1])

print x.shape
print out.shape

(1, 2, 3, 4)
(1, 3, 4, 2)

这是一个无可奈何的问题，在如何表示一组彩色图片的问题上，Theano和TensorFlow发生了分歧， ‘日’模式，也即Theano模式会把100张RGB三通道的16×32（高为16宽为32）彩色图表示为下面这种形式（100,3,16,32），Caffe采取的也是这种方式。第0个维度是样本维，代表样本的数目，第1个维度是通道维，代表颜色通道数。后面两个就是高和宽了。这种theano风格的数据组织方法，称为“channels_first”，即通道维靠前。

而TensorFlow，的表达形式是（100,16,32,3），即把通道维放在了最后，这种数据组织方式称为“channels_last”。

tensorflow的格式如下：

[batch，in_height，in_with，in_channels]批量批次1000高度图片的长宽宽通道通道数

channels RGB则为3黑白为1

Keras默认的数据组织形式在〜/ .keras / keras.json中规定，查看柯林斯该文件的image_data_format一项查看，也可在代码中通过K.image_data_format（）函数返回，请在网络的训练和测试中保持维度顺序一致。

唉，真是蛋疼，你们商量好不行吗？

keras中添加卷积层时，可以指定deat_format格式：


model.add(Convolution2D(
    batch_input_shape=(None, 1, 28, 28),   #多少数据  通道数  宽  高
    filters=32,     #滤波器数量
    kernel_size=5,   #滤波器大小5x5
    strides=1,       #步长1
    padding='same',     # Padding method
    data_format='channels_first',
))

1、代码中的DATA_FORMAT = ‘channels_first’，即通道维靠前。

[batch，in_channels，in_height，in_with]既批次：批次大小渠道：通道数高度：图片的长宽度：宽

2、当然也可以和tensorflow中的数据格式一样指定 channels_last = ‘channels_last’,keras默认为channels_last。

通用模板：



from keras import backend as K
w = 100   #图片宽度
h = 100   #图片高度
c = 3     #图片通道数
if K.image_dim_ordering() == 'th':
    X_train = X_train.reshape(-1, c, w, h)
    X_test = X_test.reshape(-1, c, w, h)
    input_shape = (1, w, h)
else:
    X_train = X_train.reshape(-1, w, h, c)
    X_test = X_test.reshape(-1, w, h, c)
    input_shape = (w, h, c)

X_train = X_train.reshape(-1, w, h, c)
X_test = X_test.reshape(-1, w, h, c)
input_shape = (w, h, c)

例

model.add(Convolution2D(
    batch_input_shape=(None,w,h,c),   #多少数据  通道数  宽  高
    filters=32,     #滤波器数量
    kernel_size=5,   #滤波器大小
    strides=1,       #步长
    padding='same'     # Padding method

))