目录
- 一、PyTorch
- 二、NCNN
- 三、Numpy
一、PyTorch
在 PyTorch 中,张量(Tensor)的形状通常按照 (N, C, H, W) 的顺序排列,其中:
N 是批量大小(batch size)
C 是通道数(channel number)
H 是高度(height)
W 是宽度(width)
例如,如果你有一个形状为 (32, 3, 64, 64) 的张量,那么你有 32 个图像,每个图像有 3 个通道(例如 RGB),每个通道的高度和宽度都是 64。
注意,这是一种常见的约定,但并非所有的 PyTorch 代码都必须遵循这种约定。有些代码可能会使用不同的顺序,例如 (N, H, W, C)。你应该总是查看你正在使用的具体代码或数据集,以确定它使用的确切顺序。
二、NCNN
NCNN: 在 NCNN 中,张量的形状通常按照 (w, h, c) 的顺序排列,其中 w 是宽度,h 是高度,c 是通道数。这是因为 NCNN 主要用于计算机视觉任务,这种排列方式符合图像数据的常见布局。
三、Numpy
Numpy: 在 Numpy 中,张量的形状通常按照 (h, w, c) 或者 (n, h, w, c) 的顺序排列,其中 h 是高度,w 是宽度,c 是通道数,n 是批量大小。这是因为 Numpy 通常用于处理图像数据,这种排列方式符合图像数据的常见布局。