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
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
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 2933
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
08-04 516
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。
卷积操作详解
weixin_33852020的博客
03-24 1393
今天研究了一下卷积计算。 卷积涉及到的两个输入为： 图像和filter 图像: 维度为 C*H*W C是channel, 也叫做 depth, H和W就是图像的宽和高了。 filter, 维度为 K*K, 假设 filter的个数为 M个 直接进行卷积的伪代码为   for w in 1..W (img_width) for h in 1..H (...
深度学习基本概念
smy166153的博客
07-20 1397
1.深度学习基本概念 1.1 张量 我们在学习线性代数的时候，学习过向量和矩阵。对于张量从数学和物理方面讲解就篇幅过长。我们可以简单的理解张量（Tensor)为向量以及矩阵的扩展。向量可以理解为一维张量，矩阵可以理解为二维张量。对于更高阶的可以以深度学习里常要处理的图片来举例。彩色图片有（RGB)三个通道，可以看作一个三维张量即H*W*C,(H为高度，w为宽带，c是通道数目)。在深度学习里常使用四维的张量，NCHW或NHWC两种其中N为批次的大小。 在深度学习的网络构造过程中，会遇到各种各样的线性变换，这
【面试基础--深度学习】卷积及其代码实现
Biyoner的博客
03-31 8035
PS.代码部分参考了这篇文章，对代码做了整合 ：https://www.jianshu.com/p/abb7d9b82e2a 理论部分主要参考了花书。 从底层开始复习。在常见的面试中，难免会问及卷积网络，因而这里第二部分主要回顾一下卷积的基础知识。以及如果不幸遇到手写卷积代码时，可以有个准备。 1. 卷积神经网络的基础概念 卷积神经网络是一种...
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 3762
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
10-04 833
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。
请使用cuda方式将nchw的数据转换为nhwc
03-07
的数据。 可以使用以下代码将nchw的数据转换为nhwc的数据： ```python import torch # 创建一个nchw的数据 ...这里使用了PyTorch的permute函数，将nchw的数据的维度顺序变为nhwc的数据的维度顺序。
Pytorch 卷积中的 Input Shape用法
12-17
先看Pytorch中的卷积 class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 二维卷积层, 输入的尺度是(N, C_in,H,W)，输出尺度（N,C_out,H_out,W_out）的计算方式 这里比较奇怪的是这个卷积层居然没有定义input shape，输入尺寸明明是：（N, C_in, H，W），但是定义中却只需要输入in_channel的size，就能完成卷积，那是不是说这样任意size的image都可
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 8660
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) ...
图像处理中(C,H,W)格式解析
WenBayBay的博客
08-21 2371
小白初学图像处理心得，边学变总结分享一些
CV中的注意力机制
langtaosha1996的博客
07-11 564
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
（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 2276
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
深度学习中对tensor向量进行维度调整的常用方法总结reshape()、transpose()、unsqueeze()
AI训练师中的点滴
12-16 9139
在炼丹日常，很多模型为了保持tensor的计算便利和维度统一（例如resnet）会涉及到很多的维度转换，这时候很容易就绕晕，在参加飞浆的transformer课程中，学习了很多灵活变化维度的方法，这些方法能够让我们减少相当一部分的维度转换的复杂度。下面逐个介绍常用的维度转换方法： reshape方法：维度重整 简单的reshape方法我们就不进行介绍，主要介绍reshape中-1的灵活运用，我们可以轻松的避免一些计算。 import paddle import paddle.nn as nn
Pytorch tensor的特征重新排列
狂小虎/Anthony Dave的博客 KuangXiaoHu's Blogs
05-24 1656
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。
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_...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