多维(NCHW)Tensor中的数据摆放顺序变换

最新推荐文章于 2024-08-04 04:09:35 发布
最新推荐文章于 2024-08-04 04:09:35 发布
阅读量1.1w 收藏 7
点赞数 2
分类专栏： 算法 文章标签： c语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012033124/article/details/78965535
版权

遇到一个问题,将n*c*h*w的tensor转换为n*(h*w)*1*c.
tensor储存在一维数组a中,易得坐标(nn,cc,hh,ww)的元素在a中的下标为:

nn*c*h*w + cc*h*w + hh*w + ww

n*(h*w)1*c可以看成n(h*w)*c,四维张量简化为三维,因为h*w原本为两维,压缩成了(h*w)一维.

因此原问题简化为,将n*(h*w)c转换为n(h*w)*c,即交换低两维.

已知高维和低维的区别在于计算下标时的先后顺序,交换维度意味着原数据在一维数组a中的摆放方式也要随之改变,画图说明:
这里写图片描述

这么一来就非常明确了,用三个嵌套for循环即可完成变换:

//a为原数组,b为变换数组
for (
最低0.47元/天 解锁文章
caisense
关注
专栏目录
深入解析Ascend C算子开发中的数据排布格式：从NCHW到FRACTAL_Z
qq_38334677的博客
09-22 96
数据排布格式（Format）是指在内存中对数据进行物理存储的方式。深度学习中的张量（Tensor）是多维数据结构，而数据在内存中是线性存储的，因此需要定义一种方式将多维数据线性化。数据排布格式通过指定不同维度的排列顺序，影响了数据的访问模式。在算子开发中，选择合适的排布格式可以优化内存访问的连续性，从而加速计算。例如，在卷积神经网络中，常见的输入数据通常为4D张量，选择合适的排布格式对于卷积运算的性能提升至关重要。N：Batch size，表示批次数据的数量。C。
pytorch 调整某一维度数据顺序的方法
12-23
在pytorch中，Tensor是以引用的形式存在的，故而并不能直接像python交换数据那样 a = torch.Tensor(3,4) a[0],a[1] = a[1],a[0] # 这会导致a的结果为a=(a[1],a[1],a[2]) # 而非预期的(a[1],a[0],a[2]) 这是因为引用赋值导致的，在交换过程，如下所示，当b的值赋值与a的时候，因为tmp指针与a是同一变量的不同名，故而tmp的内容也会变为b。 # 交换a,b a,b = b,a # 等价于 tmp = a a = b #此时，tmp = a= b b = tmp 故而在我们通过另外一种方式来对其进行交换，
pytorch调整序列顺序
VIEO
09-21 2942
用index下标指定，作变换 a = torch.Tensor(3,4) index = [1,0,2] a = a[index]
Pytorch NCHW/NHWC 的理解
最新发布
u013798595的博客
08-04 559
选择合适的张量存储布局对于深度学习任务的效率和性能至关重要。NCHW和NHWC的选择取决于所使用的硬件和库的要求，同时也可以通过PyTorch提供的张量操作来进行灵活的转换和适配。
深度学习中的Tensor 数据格式（N,C,H,W）
热门推荐
d_b_的博客
05-11 2万+
文章目录深度学习中的Tensor 数据格式（N,C,H,W）一、深度学习框架中的图像格式2、数据格式3、物理存储3.1、NCHW3.2、NHWC3.3、CHWN：StridesBlocked layout4、RGB图像数据举例5、不同框架的支持 深度学习中的Tensor 数据格式（N,C,H,W） 参考： 数据格式- 图解NCHW与NHWC数据格式 NCHW-NHWC-NC/32HW32 一、深度学习框架中的图像格式 4DTensor格式：使用4D张量描述符来定义具有4个字母的2D图像批处理的格式 数
图像通道转换[c h w] 转 [h w c]
程序员的博客
08-13 8711
cv2使用方法imread读出来图片的数据是[h w c] ,但是在pytorch中，我们往往使用的图片数据结构是[h w c]， 转换方法如下 import numpy as np import cv2 img = cv2.imread(image_path) img = np.float32(cv2.resize(img, (320, 192))) / 255 img = img.transpose(2, 0, 1) ...
CV中的注意力机制
langtaosha1996的博客
07-11 568
它的成功主要是由于一个合理的假设，即人类的视觉不会倾向于一次性处理完整的图像;相反，人们只关注整个视觉空间的选择性部分。 [1]Spatial Transformer Network 空间注意力模型(spatial attention)：不是图像中所有的区域对任务的贡献都是同样重要的，只有任务相关的区域才是需要关心的，比如分类任务的主体，空间注意力模型就是寻找网络中最重要的部位进行处理。 STN网络(Spatial Transformer Network，通过学习输入的形变，从而完成适合任务的预处理操
EdgeBoard嵌入式AI解决方案中NHWC数据格式的性能分析
01-19
EdgeBoard简介　EdgeBoard是百度基于FPGA芯片研发的嵌入式AI解决方案，高性能的加速引擎可提供3.6Tops的强大算力，完整的嵌入式参考设计使硬件集成轻松便捷。目前EdgeBoard提供了...深度学习中经常会使用NCHW、NHWC和
Tensorflow Keras 中input_shape引发的维度顺序冲突问题（NCHW与NHWC)
Newbie_J的博客
03-11 3770
Tensorflow Keras 中input_shape引发的维度顺序冲突问题（NCHW与NHWC) 原文链接：Tensorflow Keras 中input_shape引发的维度顺序冲突问题（NCHW与NHWC) 以tf.keras.Sequential构建卷积层为例： tf.keras.layers.Conv2D(10, 3, input_shape=(2, 9, 9),padding='s...
【代码错误记录】显示数据集图片-图片tensor问题
zhe470719的博客
10-04 840
matplotlib.pyplot.imshow()函数的输入需要是二维的numpy或者是第三维度是3或4的numpy，解决这个问题的关键就是理解了imshow函数的参数。
（八）计算机视觉 -- 6 区域卷积神经网络（R-CNN）系列
FionaDong的博客
11-15 2290
6. 区域卷积神经网络（R-CNN）系列 区域卷积神经网络（region-based CNN / regions with CNN features，R-CNN）是将深度模型应用于目标检测的开创性工作之一。 本节将介绍R-CNN和它的一系列改进方法（模型设计思路）： 快速的R-CNN（Fast R-CNN）、更快的R-CNN（Faster R-CNN）以及掩码R-CNN（Mask R-CNN）。 6.1 R-CNN R-CNN首先对图像选取若干提议区域（如锚框也是一种选取方法）并标注它们的类别和边界框（如
Pytorch tensor的特征重新排列
狂小虎/Anthony Dave的博客 KuangXiaoHu's Blogs
05-24 1662
Tensor的重新排列比较简单，但是要注意它是个四维的矩阵，沿着单个维度的重新排列特征仍然保持一定程度上的有序。
cnn池化层输入通道数_《动手学习深度学习》之三：1.卷积神经网络（CNN）基础（打卡2.4）...
weixin_39761822的博客
12-20 389
卷积神经网络(CNN)1.卷积神经网络基础1.1.基础概念1.1.1.卷积层1.1.2.填充、步幅、输入通道、输出通道的含义1.1.3.池化层1.1.4.二维互相关运算二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器(filter)。 import torchimport tor...
注意力机制
m0_61356812的博客
08-01 2560
Squeeze-and-Excitation网络
CNN基础-《动手学深度学习pytorch》
serenysdfg的博客
02-25 280
1概念 互相关运算与卷积运算 卷积层得名于卷积运算，但卷积层中用到的并非卷积运算而是互相关运算。我们将核数组上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别 特征图与感受野 二维卷积层输出的二维数组表征，也叫特征图（feature map）。 影响元素????x的前向计算的所有可能输入区域（可能大于输...
Batch Normalization和Layer Normalization
guohui_0907的博客
07-30 667
1 对比 BN是在batch上，对N、H、W做归一化，而保留通道 C 的维度。BN对较小的batch size效果不好。BN适用于固定深度的前向神经网络，如CNN，不适用于RNN LN在通道方向上，对C、H、W归一化，主要对RNN效果明显；        如果把特征图[公式]比喻成一摞书，这摞书总共有 N 本，每本有 C 页...
cv2读入的BGR图像转换成torch.tensor格式，torch.tensor格式的图像转换成ndarray格式并保存
qq_48355075的博客
07-25 1795
cv2 reads one image:ndarray 2 tensor. Also, transpose one image tensor to ndarray and save
图片的读取方式以及pytorch种可能用到的各种数据格式转换
yanghao201607030101的博客
12-09 3013
本文介绍pytorch使用中可能会涉及到的三种数据格式：PIL,ndarray,tensor,并介绍其转换方式。 1.PIL :python内置的，python image library。type（）输出类型：<class ‘PIL.JpegImagePlugin.JpegImageFile’>。 2.cv2:opencv的python接口（读进来是ndarray格式，numpy的ndarray（cv2）就是各种格式之间的中转），type（）输出类型：<class ‘numpy.ndar
请使用cuda将nchw的数据转换为nhwc
03-07
可以使用以下代码将nchw的数据转换为nhwc： ```python import torch # 假设输入数据为nchw格式，大小为(batch_size, channels, height, width) input_data = torch.randn(batch_size, channels, height, width) # 将输入数据转换为nhwc格式，大小为(batch_size, height, width, channels) output_data = input_data.permute(, 2, 3, 1).contiguous() ``` 其中，`permute`函数用于交换输入数据的维度顺序，`contiguous`函数用于使输出数据在内存中连续存储。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值