CANN学习资源开源仓的形状和排布

下面开始系统的学习一下tutorials.先看下基本概念。

Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。

shape=(4, 20, 20, 3)的物理含义：假设有4张照片，即shape里4的含义，每张照片的宽和高都是20，也就是20*20=400个像素，每个像素点都由红/绿/蓝3色组成，即shape里面3的含义。体现在编程上，可以简单把shape理解为操作Tensor的各层循环。

import numpy as np

# 创建shape=(4,20,20,3)的Tensor：4张20*20的RGB图片，像素值[0,255]
img_np = np.random.randint(0, 256, size=(4,20,20,3), dtype=np.uint8)

# 多层循环遍历（对应shape的4个维度）
print("【遍历第1张图的前2行2列像素】")
for i in range(1):  # 只遍历第1张图（i=0）
    for j in range(2):  # 前2行（高）
        for p in range(2):  # 前2列（宽）
            for q in range(3):  # RGB3通道
                print(f"第{i+1}张图-({j},{p})像素-{['R','G','B'][q]}通道：{img_np[i,j,p,q]}")

输出：

【遍历第1张图的前2行2列像素】
第1张图-(0,0)像素-R通道：38
第1张图-(0,0)像素-G通道：238
第1张图-(0,0)像素-B通道：28
第1张图-(0,1)像素-R通道：122
第1张图-(0,1)像素-G通道：218
第1张图-(0,1)像素-B通道：242
第1张图-(1,0)像素-R通道：1
第1张图-(1,0)像素-G通道：249
第1张图-(1,0)像素-B通道：185
第1张图-(1,1)像素-R通道：56
第1张图-(1,1)像素-G通道：45
第1张图-(1,1)像素-B通道：200

Tensor的数据排布格式（format） 。卷积神经网络的特征图（Feature Map）通常用四维数组保存，即4D格式：

• N：Batch数量，例如图像的数目。
• H：Height，特征图高度，即垂直高度方向的像素个数。
• W：Width，特征图宽度，即水平宽度方向的像素个数。
• C：Channels，特征图通道，例如彩色RGB图像的Channels为3。

由于数据只能线性存储，因此这四个维度有对应的顺序。

• 比如Caffe，排列顺序为[Batch, Channels, Height, Width]，即NCHW。
• TensorFlow中，排列顺序为[Batch, Height, Width, Channels]，即NHWC。

分别按照NHWC与NCHW的顺序分别对下图进行遍历，注意遍历是按照从低维到高维进行的。（先遍历 最低维度的索引，然后逐步向高维度变化。
其实是 “最内层循环是最低维”，也就是按存储顺序的 “先变最低维索引，再变高维索引” 来读取元素。）

import numpy as np

# 1. 创建模拟图片：N=1, H=3, W=3, C=3（对应教程中的RGB图片举例）
# 初始为NHWC格式（TensorFlow默认）：shape=(1,3,3,3)
img_nhwc = np.array([
    [
        [[255,0,0], [255,255,0], [0,255,0]],
        [[0,255,255], [0,0,255], [255,0,255]],
        [[128,128,128], [0,0,0], [255,255,255]]
    ]
], dtype=np.uint8)
print("【NHWC格式】shape =", img_nhwc.shape)
print("NHWC遍历（低维到高维：N→H→W→C）：\n", img_nhwc.flatten()[:12])  # 展平看前12个元素

# 2. NHWC转换为NCHW格式（Caffe/PyTorch默认）：用transpose重排维度
# transpose(0,3,1,2)：将维度顺序从(N,H,W,C)改为(N,C,H,W)
img_nchw = img_nhwc.transpose(0, 3, 1, 2)
print("\n【NCHW格式】shape =", img_nchw.shape)
print("NCHW遍历（低维到高维：N→C→H→W）：\n", img_nchw.flatten()[:12])  # 展平看前12个元素

# 3. 格式还原：NCHW→NHWC
img_nhwc_back = img_nchw.transpose(0, 2, 3, 1)
print("\n【NCHW转回NHWC】是否与原数据一致：", np.array_equal(img_nhwc, img_nhwc_back))

输出：

【NHWC格式】shape = (1, 3, 3, 3)
NHWC遍历（低维到高维：N→H→W→C）：
 [255   0   0 255 255   0   0 255   0   0 255 255]

【NCHW格式】shape = (1, 3, 3, 3)
NCHW遍历（低维到高维：N→C→H→W）：
 [255 255   0   0   0 255 128   0 255   0 255 255]

【NCHW转回NHWC】是否与原数据一致： True