tensorflow和kears的data_format数据格式问题详解

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_39622065/article/details/81228915

DATA_FORMAT

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：

1. [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

2. #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
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     ))