3维PyTorch张量输入Keras Sequential模型的input_shape设置方法

1. PyTorch张量对Keras训练流程的兼容性 #

PyTorch原生张量不能直接输入Keras训练pipeline，二者底层计算图逻辑、内存排布、设备映射规则不互通，做简单转换即可正常使用：

• CPU端带计算图的PyTorch张量，先执行.detach().cpu().numpy()转成NumPy数组，即可直接作为Keras的拟合输入，Keras原生兼容NumPy格式数据
• 也可以直接调用tf.convert_to_tensor(torch_tensor.detach().cpu().numpy())转成TensorFlow原生张量使用，转换后无适配问题

2. 对应torch.Size([3, 224, 224])单样本的Input层参数配置 #

首先明确维度顺序差异：PyTorch图像张量默认采用*通道在前（CHW）的排布规则，即维度顺序为(通道数, 图像高度, 图像宽度)；TensorFlow后端的Keras默认采用通道在后（HWC）*的排布规则，即维度顺序为(图像高度, 图像宽度, 通道数)，对应两种配置方案：

• 方案一（不调整原张量维度）：保持张量CHW格式不变，先执行tf.keras.backend.set_image_data_format('channels_first')修改Keras全局数据格式配置，再将Input层的input_shape参数设为(3, 224, 224)即可。该方案需要注意后续所有卷积、池化等和维度相关的层都会默认按通道在前规则解析输入。
• 方案二（推荐，适配Keras默认逻辑）：先调整PyTorch张量的维度顺序，单样本维度转换代码为hwc_tensor = torch_tensor.permute(1, 2, 0)，转换后单样本shape为(224, 224, 3)，此时无需修改Keras全局配置，直接将Input层的input_shape参数设为(224, 224, 3)即可，和你已经搭建好的BatchNormalization、Dropout、Dense层默认逻辑完全适配，不会出现维度匹配错误。

注意：input_shape参数仅需填写单样本的维度，无需额外指定batch维度，Keras会自动将batch位设为None适配任意批大小。

内容的提问来源于stack exchange，提问作者Caleb Chege