我有一个数组X_train，其中包含 9957 张图片。我正在制作一个卷积网络。用于输入模型的阵列的所需形状是（batchsize、channel、height、width）
X_train.shape #gives (9957, 60, 80, 3)
X_train[1].shape #gives (60, 80, 3)
如果我们使用
np.reshape(X_train,(-1, 3, 60, 80)) #it gives (9957, 3, 60, 80)
如何获得每个形状为 (batchsize, 3, 60, 80) 的数组和最终的图像数组以进行形状为 (9957, batchsize, 3, 60, 80) 的训练？
【问题讨论】：
标签： python numpy image-processing chainer
您可以从i-th 图像直到i + batchsize 图像如下。
batchsize = 16
i = 0
X_batch = X_train[i: i+batchsize]
print('X_batch.shape: ', X_batch.shape) # it should be (16, 3, 60, 80)
请使用 for 循环更改 i 以获取每个图像。例如，
for i in range(0, len(X_train), batchsize):
X_batch = X_train[i: i+batchsize]
# --- Do something with X_batch ---
【讨论】：
chainer.datasets
L.Convolution2D(None, 128, 3, 2) 作为第一层，第一个参数None 表示自动确定第一层的输入通道大小（在您的情况下，输入数据的通道大小为3）。所以使用这个模型是可以的。在图像的高度和宽度方面，它的大小在卷积操作期间会发生变化，但同样，当您输入L.Linear(None, 16)时，它的大小会自动确定。