本文详细介绍了MXNet和TensorFlow中卷积层输入数据和权重格式的差异，以及如何使用numpy的transpose函数在两者之间进行数据转换。在MXNet中，输入数据格式为N*C*H*W，而在TensorFlow中则为N*H*W*C。通过调整维度顺序，可以实现数据在两个框架间的兼容。了解这些转换对于跨框架开发深度学习模型至关重要。
#MXNET的N*C*H*W在numpy打印时比较直观
#mxnet卷积层
# 输入数据格式是：batch * inchannel * height * width
# 输出数据格式是：batch * outchannel * height * width
# 权重格式： output_channels * in_channels * height * width
#tensorflow计算卷积
# 输入数据格式是：batch * height * width * inchannel
# 输出数据格式是：batch * height * width * outchannel
# 权重格式： height * width * in_channels * output_channels
mxnet输入数据
A= np.array((1,3,6,6))
A.shape 1* 3*6*6
转换为tensorflow输入数据
B= A.transpose(0,2,3,1)
B.shape 1* 6*6*3
原始数据 batch * inchannel * height * width
维度方向 0 1 2 3
维度方向 0 2 3 1 》》》》》B= A.transpose(0,2,3,1)
目标数据 batch * height * width * inchannel
总结： transpose函数的用法基本就是，把需要交换的维度对应起来就可以了
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
