在深度學(xué)習(xí)中，圖像數(shù)據(jù)通道格式有兩種：
-
NCHW锦溪，又稱：“channels_first”躏精，是nvidia cudnn庫原生支持的數(shù)據(jù)模式李丰；在GPU中惭蟋，使用NCHW格式計算卷積苗桂，比NHWC要快2.5倍左右（0:54 vs 2:14）GPU中NCHW比NHWC卷積計算速度快
- NHWC, 又稱“channels_last”，是CPU指令比較適合的方式敞葛，SSE 或 AVX優(yōu)化誉察，沿著最后一維与涡，即C維計算惹谐，會更快。
-
NCHW排列驼卖，C在外層氨肌，所以每個通道內(nèi)，像素緊挨在一起酌畜，即“RRRGGGBBB”怎囚；NHWC排列，C在最內(nèi)層桥胞，所以每個通道內(nèi)恳守，像素間隔挨在一起，即“RGBRGBRGB”贩虾，如下所示：NCHW和NHWC在內(nèi)存中的排布
-
盡管存儲的數(shù)據(jù)實際上是一樣的催烘，但是不同的順序會導(dǎo)致數(shù)據(jù)的訪問特性不一致，因此即使進行同樣的運算缎罢，相應(yīng)的計算性能也會不一樣伊群。對于"NCHW" 而言，其同一個通道的像素值連續(xù)排布策精，更適合那些需要對每個通道單獨做運算的操作舰始，比如"MaxPooling"。對于"NHWC"而言咽袜，其不同通道中的同一位置元素順序存儲丸卷，因此更適合那些需要對不同通道的同一像素做某種運算的操作，比如“Conv1x1”NCHW和NHWC計算區(qū)別
- 由于NCHW询刹，需要把所有通道的數(shù)據(jù)都讀取到谜嫉，才能運算抽莱，所以在計算時需要的存儲更多。這個特性適合GPU運算骄恶，正好利用了GPU內(nèi)存帶寬較大并且并行性強的特點食铐，其訪存與計算的控制邏輯相對簡單；而NHWC僧鲁，每讀取三個像素虐呻，都能獲得一個彩色像素的值，即可對該彩色像素進行計算寞秃，這更適合多核CPU運算斟叼，CPU的內(nèi)存帶寬相對較小，每個像素計算的時延較低春寿，臨時空間也很欣噬；若采取異步方式邊讀邊算來減小訪存時間绑改，計算控制會比較復(fù)雜谢床，這也比較適合CPU。
結(jié)論：在訓(xùn)練模型時厘线，使用GPU识腿，適合NCHW格式；在CPU中做推理時造壮，適合NHWC格式渡讼。采用什么格式排列，由計算硬件的特點決定耳璧。OpenCV在設(shè)計時是在CPU上運算的成箫，所以默認HWC格式。TensorFlow的默認格式是NHWC旨枯，也支持cuDNN的NCHW
import cv2
import matplotlib.pyplot as plt
import numpy as np
img = cv2.imread("data/images/bus.jpg")
img = cv2.resize(img, (5,4)) #(x, y) -> (W, H)
print(img.shape) # (H,W,C)
plt.figure()
plt.imshow(img)
plt.show()
line1 = img[1,...]
line1 = np.expand_dims(line1, axis=0)
print(line1.shape)
print(line1)
plt.figure()
plt.imshow(line1)
plt.show()
print("BGR->RGB")
rgb_line1 = cv2.cvtColor(line1, cv2.COLOR_BGR2RGB)
print(rgb_line1.shape)
print(rgb_line1)
print()
print("HWC->CHW")
CHW_line1 = np.transpose(line1, (2,0,1))
print(CHW_line1.shape)
print(CHW_line1)
img.shape and imshow(img)
print(line1.shape) &
print(line1)
BGR->RGB & HWC->CHW
