TensorFlowAPI中NCHW与NHWC的区别

tensorflow理解到一定境界，发现它的图结构，图计算，数据供给机制以及可视化与事件文件真的太强了，写得好啊，底层直接操作显存，另外，python诸如pandas的重载，以及tensorlayer中的继承，numpy中的多态以及原地修改(python自带的某些方法也有)等机制，java的全面向对象，以及torch7的全函数式等等，希望在使用编程语言的工具的同时，多一些编程语言设计上的思考。

以前直接调包没有注意到tensor的格式变化，但是这方面其实很重要，设计网络结构，领会改变输入输出，计算量评估等等。

图像数据格式定义了一批图片数据的存储顺序。在调用 TensorFlow API 时会经常看到 data_format 参数：

data_format 默认值为 “NHWC”，也可以手动设置为 “NCHW”。这个参数规定了 input Tensor 和 output Tensor 的排列方式。

data_format 设置为 “NHWC” 时，排列顺序为 [batch, height, width, channels]；

设置为 “NCHW” 时，排列顺序为 [batch, channels, height, width]。

其中 N 表示这批图像有几张，H 表示图像在竖直方向有多少像素，W 表示水平方向像素数，C 表示通道数（例如黑白图像的通道数 C = 1，而 RGB 彩色图像的通道数 C = 3）。为了便于演示，我们后面作图均使用 RGB 三通道图像。

两种格式的区别如下图所示：

NCHW 中，C 排列在外层，每个通道内像素紧挨在一起，即 ‘RRRRRRGGGGGGBBBBBB’ 这种形式。

NHWC 格式，C 排列在最内层，多个通道对应空间位置的像素紧挨在一起，即 ‘RGBRGBRGBRGBRGBRGB’ 这种形式。
如果我们需要对图像做彩色转灰度计算，NCHW 计算过程如下：

即 R 通道所有像素值乘以 0.299，G 通道所有像素值乘以 0.587，B 通道所有像素值乘以 0.114，最后将三个通道结果相加得到灰度值。
相应地，NHWC 数据格式的彩色转灰度计算过程如下：

输入数据分成多个(R, G, B) 像素组，每个像素组中 R 通道像素值乘以 0.299，G 通道像素值乘以 0.587，B 通道像素值乘以 0.114 后相加得到一个灰度输出像素。将多组结果拼接起来得到所有灰度输出像素。

以上使用两种数据格式进行 RGB -> 灰度计算的复杂度是相同的，区别在于访存特性。通过两张图对比可以发现，NHWC 的访存局部性更好（每三个输入像素即可得到一个输出像素），NCHW 则必须等所有通道输入准备好才能得到最终输出结果，需要占用较大的临时空间。

在 CNN 中常常见到 1x1 卷积（例如：用于移动和嵌入式视觉应用的 MobileNets），也是每个输入 channel 乘一个权值，然后将所有 channel 结果累加得到一个输出 channel。如果使用 NHWC 数据格式，可以将卷积计算简化为矩阵乘计算，即 1x1 卷积核实现了每个输入像素组到每个输出像素组的线性变换。

TensorFlow 为什么选择 NHWC 格式作为默认格式？因为早期开发都是基于 CPU，使用 NHWC 比 NCHW 稍快一些（不难理解，NHWC 局部性更好，cache 利用率高）。

NCHW 则是 Nvidia cuDNN 默认格式，使用 GPU 加速时用 NCHW 格式速度会更快（也有个别情况例外）。

最佳实践：设计网络时充分考虑两种格式，最好能灵活切换，在 GPU 上训练时使用 NCHW 格式，在 CPU 上做预测时使用 NHWC 格式。

参考：

1. https://www.tensorflow.org/performance/performance_guide
2. https://mp.weixin.qq.com/s/I4Q1Bv7yecqYXUra49o7tw
3. https://blog.csdn.net/zhajio/article/details/81538994
4. https://yinguobing.com/convert-nchw-to-nhwc-in-tensorflow/
5. https://blog.csdn.net/qq_30638831/article/details/83240590
6. https://cloud.tencent.com/developer/article/1348817

如果你觉得本文对你有帮助，请关注公众号，将来会有更多更好的文章推送！