1.3 图像数据基础：像素、通道与张量形状

1.3 图像数据基础：像素、通道与张量形状

本节摘要：模型眼里的图像是一个四维张量，形状记作 N×C×H×W——批大小、通道数、高、宽。入线检查的任务是把任意来源的图片规整成这四个维度都确定的 float32 张量，并完成归一化。本节给出通道、尺寸、数值范围三项检查的代码与一桩经典事故（RGB 与 BGR 顺序颠倒），是进入第二章主车间前的最后一道手续。

本节要回答的问题

一张 JPEG 在磁盘上是压缩过的字节流，在模型里是浮点数张量，中间隔着解码、缩放、转置、归一化若干步。哪一步最容易出错？经验答案是：全都容易。所以与其靠记性，不如靠对账——每一步之后形状是多少、数值范围是多少，都应该有明确的预期值。本节就把这份对账单建起来。

学习目标

阅读完本节，你应当能够：

1. 说出 NCHW 四个字母的含义，给任意中间特征图报出维度；
2. 用代码完成"解码、缩放、转张量、归一化"的标准入线流程；
3. 心算一个批次的显存占用，判断自己的显卡装不装得下；
4. 识别通道顺序、数值范围两类入线事故的症状与修法。

一、像素与通道：图像的三维骨架

黑白照片是二维网格，每个格子存一个亮度值，0 为纯黑、255 为纯白（8 位存储）。彩色照片用三个这样的网格叠加：红、绿、蓝三个通道各自记录一种颜色的强度，三者按比例混合出肉眼看到的所有颜色。于是单张图天然是三维的：C×H×W，通道数乘高乘宽。

卷积框架普遍采用 NCHW 排布：最外层是批大小 N，把多张图摞成一个批次，后三维依次是通道、高、宽。批次化不是为了好看——GPU 擅长并行处理大块规整数据，一次喂一批比逐张喂快得多。本章主角、贯穿全册的那张 32×32 彩色小图，单张形状是 3×32×32；按 128 张的批次送入，就成了 128×3×32×32 的四维张量。

图 1-2 单张图像的张量骨架

二、入线手续：从解码到归一化

标准流程有四步。第一步解码，把压缩字节流还原成像素矩阵，顺手处理手机照片常见的旋转标记；第二步几何规整，缩放或裁剪到网络的固定输入边长；第三步转张量，把 0 到 255 的 uint8 除以 255 变成 0 到 1 的 float32；第四步数值规整，减均值、除标准差，把分布拉到以零为中心。前两步解决"形状对不对"，后两步解决"数值好不好"。

import torch

# 合成一张 4×4 纯色图：三通道亮度分别为 255、128、0，代替真实读图
img = torch.zeros(3, 4, 4, dtype=torch.uint8)
img[0] = 255
img[1] = 128
img[2] = 0

x = img.float() / 255.0                    # 第三步：0 到 1 的 float32
mean = torch.tensor([0.485, 0.456, 0.406]).view(3, 1, 1)   # ImageNet 通道均值
std = torch.tensor([0.229, 0.224, 0.225]).view(3, 1, 1)    # ImageNet 通道标准差
xn = (x - mean) / std                      # 第四步：逐通道标准化

print(x.shape)               # torch.Size([3, 4, 4])
print(x.dtype)               # torch.float32
print(round(xn[0, 0, 0].item(), 3))   # 2.249  最亮红通道
print(round(xn[1, 0, 0].item(), 3))   # 0.205  中等绿通道
print(round(xn[2, 0, 0].item(), 3))   # -1.804 全黑蓝通道
​

减的均值、除的标准差不是玄学常数：它们是在百万级图像集上统计出的各通道平均亮度和波动幅度。用自己数据集的统计值替代完全合理，但训练与推理必须用同一套，否则同一张图在两边会被解读成两种亮度分布。

三、对账与排错：显存、通道与范围

批次送进显存前，先心算账目。128 张 3×32×32 的 float32 图：128×3×32×32 = 393,216 个数，每个 4 字节，约 1.5 MiB——小意思。换成一批 64 张 224×224×3 的图：64×3×224×224×4 字节 ≈ 38.5 MiB，加上网络中间特征图与反向传播的梯度，占用会翻好几倍。训练时显存溢出，第一件事就是回头查批次大小。

import torch
import torch.nn.functional as F

# 一批 128 张 32×32 彩图的显存账
N, C, H, W = 128, 3, 32, 32
batch = torch.randn(N, C, H, W)
mem_mib = batch.numel() * 4 / 1024**2
print("批次元素个数:", batch.numel())     # 393216
print("显存占用 MiB:", round(mem_mib, 2)) # 1.5

# 标签要变成 one-hot 才能和 10 类输出做交叉熵对账（部分框架内部处理）
labels = torch.randint(0, 10, (N,))
onehot = F.one_hot(labels, num_classes=10)
print("标签形状:", tuple(onehot.shape))   # (128, 10)
​

两类高频事故值得单独点名。其一是通道顺序：Pillow 按 RGB 读，OpenCV 按 BGR 读，用 OpenCV 预处理却喂给按 RGB 统计均值的网络，红蓝互换——模型不会报错，只会安静地把准确率掉一截，极难察觉。其二是数值范围：忘了除 255，输入带着 0 到 255 的幅度冲进网络，第一层卷积输出直接饱和，表现为损失不降。排查口诀：形状、通道序、数值范围，三查之后再谈调参。

巡检记录

• 形状语言：NCHW 四维贯穿全册，报形状时按批次、通道、高、宽的顺序念；
• 归一化两件套：先除 255 到 0 到 1，再减均值除标准差到零附近，训练推理必须同一套统计值；
• 显存心算：元素个数乘 4 字节，128 张 32×32 彩图约 1.5 MiB，64 张 224×224 彩图约 38.5 MiB；
• 事故清单：BGR 与 RGB 颠倒、忘了除 255，这两类错误不报错、只掉分，入线时就要拦住。

⚠️ 常见坑：读图库返回的通道序与训练统计的通道序不一致时，症状是"模型能跑但准确率显著偏低"。先打印张量逐通道均值对比统计值，再怀疑模型本身。

原料合格，主车间的灯已经亮了。第二章从流水线的核心工位开始：卷积层到底在图上做什么。