Каков наилучший способ преобразования тензора из формата NHWC в формат NCHW и наоборот?
Есть ли конкретный способ, который делает это, или мне нужно использовать некоторую комбинацию операций split/concat?
Каков наилучший способ преобразования тензора из формата NHWC в формат NCHW и наоборот?
Есть ли конкретный способ, который делает это, или мне нужно использовать некоторую комбинацию операций split/concat?
Все, что вам нужно сделать, это перестановка размеров от NHWC до NCHW (или наоборот).
Значение каждой буквы может помочь понять:
Форма изображения (N, H, W, C)
, и мы хотим, чтобы на выходе была форма (N, C, H, W)
. Поэтому нам нужно применить tf.transpose
с хорошо подобранной подстановкой perm
.
Возвращаемое значение тензора
i
будет соответствовать входному размеруperm[i]
perm[0] = 0 # output dimension 0 will be 'N', which was dimension 0 in the input
perm[1] = 3 # output dimension 1 will be 'C', which was dimension 3 in the input
perm[2] = 1 # output dimension 2 will be 'H', which was dimension 1 in the input
perm[3] = 2 # output dimension 3 will be 'W', which was dimension 2 in the input
На практике:
images_nhwc = tf.placeholder(tf.float32, [None, 200, 300, 3]) # input batch
out = tf.transpose(x, [0, 3, 1, 2])
print(out.get_shape()) # the shape of out is [None, 3, 200, 300]
Форма изображения (N, C, H, W)
, и мы хотим, чтобы на выходе была форма (N, H, W, C)
. Поэтому нам нужно применить tf.transpose
с хорошо подобранной подстановкой perm
.
Возвращаемое значение тензора
i
будет соответствовать входному размеруperm[i]
perm[0] = 0 # output dimension 0 will be 'N', which was dimension 0 in the input
perm[1] = 2 # output dimension 1 will be 'H', which was dimension 2 in the input
perm[2] = 3 # output dimension 2 will be 'W', which was dimension 3 in the input
perm[3] = 1 # output dimension 3 will be 'C', which was dimension 1 in the input
На практике:
images_nchw = tf.placeholder(tf.float32, [None, 3, 200, 300]) # input batch
out = tf.transpose(x, [0, 2, 3, 1])
print(out.get_shape()) # the shape of out is [None, 200, 300, 3]