机器学习与深度学习 / 系统课时

理解图像张量

理解图像张量

图像进入 PyTorch 模型后,不再只是“宽和高”,而是带有批次、通道、高度和宽度的多维张量。读懂这些维度,才能正确完成切片、批处理、归一化,并快速定位卷积层常见的 shape 错误。

学习目标

  • 读懂图像张量的 NCHW 维度顺序,并区分单张图像与批次。
  • 使用索引、切片和 shape 检查图像张量的实际结构。
  • 正确处理 HWC、CHW、uint8 与浮点图像之间的转换。

读懂 NCHW 的四个维度

卷积网络最常见的批次输入形状是 N × C × H × W。例如 torch.Size([32, 3, 224, 224]) 表示一次输入 32 张 RGB 图像,每张图有 3 个通道,高和宽都是 224 像素。

维度 含义 示例值
N batch size,一批图像数量 32
C channel,通道数量 RGB 为 3
H height,图像高度 224
W width,图像宽度 224

单张图像通常可以表示为 C × H × W。加入批次维度后才变成 N × C × H × W,例如 3 × 224 × 224 通过 unsqueeze(0) 可变为 1 × 3 × 224 × 224。

NCHW 图像张量四个维度及单图到批次的关系

用索引和切片验证维度

下面创建一个形状为 2 × 3 × 4 × 5 的张量,并分别取出一个通道以及一块空间区域。观察 shape 比靠肉眼猜维度可靠得多。

python
import torch

images = torch.arange(2 * 3 * 4 * 5, dtype=torch.float32).reshape(2, 3, 4, 5)

print(images.shape)
print(images[0, 1].shape)            # 第 1 张图的第 2 个通道
print(images[:, :, 1:3, 2:5].shape) # 所有图像的局部区域

预期输出:

text
torch.Size([2, 3, 4, 5])
torch.Size([4, 5])
torch.Size([2, 3, 2, 3])

images[0, 1] 同时消掉了批次和通道两个维度,因此结果只剩 H × W。而使用范围切片 1:3、2:5 时,被切片的维度仍然保留。

处理布局与数值范围

不少图像读取库返回 H × W × C,而卷积网络通常使用 C × H × W。对一个形状为 224 × 224 × 3 的张量,可以使用 permute(2, 0, 1) 得到 3 × 224 × 224;若随后要组成批次,再使用 unsqueeze(0) 得到 1 × 3 × 224 × 224。

还要检查像素类型和值域。常见的 uint8 图像范围是 0~255,直接送入网络通常不合适。一个基础转换是先执行 image.float() / 255.0,将数据变成浮点并缩放到 0~1。若模型要求均值和标准差归一化,还应继续按照该模型训练时的预处理参数处理。

快速定位维度错误

看到卷积层报通道不匹配时,先打印输入 shape,不要先修改网络。例如卷积层声明 in_channels=3,输入却是 [8, 224, 224, 3],第二维实际为 224,说明数据仍是 NHWC,应先调整为 NCHW。

另一个常见错误是忘记批次维度。训练代码通常按 [N, C, H, W] 处理数据,因此把单张 [3, 224, 224] 图像送进依赖批次逻辑的代码前,可检查并补成 [1, 3, 224, 224]。排查时依次确认维度数量、维度顺序、通道数和值域,通常能在进入第一层卷积前发现问题。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

理解图像张量

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通