PyTorch学习疑问：神经网络图像默认输入维度是H×W×C吗？

首先可以明确：不存在全局统一的神经网络图像输入默认维度，通道优先（Channel First） 和 通道最后（Channel Last） 两种格式的使用完全取决于你所用的框架、工具链要求：

• PyTorch、Caffe、MXNet等框架默认使用通道优先格式，单张图像的维度为 C × H × W，批次级输入的维度为 N × C × H × W（N代表批次大小）
• TensorFlow 2.x、OpenCV、PIL、Matplotlib等工具/库默认使用通道最后格式，单张图像的维度为 H × W × C，批次级输入的维度为 N × H × W × C

你提到的 img_t.permute(1, 2, 0) 写法，绝大多数场景是用来把PyTorch中读取/处理得到的C × H × W格式张量，转换为可视化、或者对接其他通道最后格式工具的张量，并非转换为PyTorch框架下模型的输入格式：如果你要把图像喂入PyTorch内置的CV模型，反而需要保持C × H × W的轴顺序，且额外在最前面新增批次维度变为N × C × H × W才能正常推理/训练。

内容的提问来源于stack exchange，提问作者Dhruv Vashist