你的两次尝试都卡在了卷积操作的维度匹配逻辑上，咱们先拆解错误原因，再给出可行的转换步骤：

为什么你的尝试会报错？ #

尝试1的问题 #

你把输入从NHWC转成了NCHW，但调用tf.nn.conv2d时没指定data_format='NCHW'——TensorFlow默认会按NHWC的逻辑处理输入，它会把输入的最后一维（此时是24，原图像的宽度）当成通道数，而你的卷积核期望输入通道是3，自然就出现维度不匹配的错误。

尝试2的问题 #

卷积核的维度格式是固定的[filter_height, filter_width, in_channels, out_channels]，不管输入是NHWC还是NCHW都不需要修改。你错误地转置了卷积核的维度，导致它的通道数完全不对，直接触发维度不兼容的报错。

正确的转换步骤 #

分两种场景，推荐优先用全网络NCHW格式（避免来回转置的性能开销），如果只是局部转换也可以：

场景1：整个网络切换为NCHW格式（推荐） #

这种方式不需要来回转置，效率更高，步骤如下：

1. 输入预处理转NCHW：把原始NHWC格式的输入转成NCHW，在数据输入阶段就完成：

   # 假设images是NHWC格式 [batch, height, width, channels]
   images_nchw = tf.transpose(images, [0, 3, 1, 2])  # 转成NCHW [batch, channels, height, width]
   

2. 所有维度相关操作指定data_format='NCHW'：卷积、池化、偏置相加等操作都要明确告诉TensorFlow你的维度顺序：

   def inference(images_nchw):
       with tf.variable_scope('conv1') as scope:
           kernel = _variable_with_weight_decay('weights', shape=[5, 5, 3, 64], stddev=5e-2, wd=0.0)
           # 卷积时指定data_format=NCHW
           conv = tf.nn.conv2d(images_nchw, kernel, strides=[1, 1, 1, 1], padding='SAME', data_format='NCHW')
           # 偏置相加也要指定data_format，确保bias加到通道维度（NCHW的第1维）
           biases = _variable_on_cpu('biases', [64], tf.constant_initializer(0.0))
           pre_activation = tf.nn.bias_add(conv, biases, data_format='NCHW')
           conv1 = tf.nn.relu(pre_activation, name=scope.name)
           _activation_summary(conv1)
           
           # 后续池化操作同样指定data_format
           pool1 = tf.nn.max_pool(conv1, ksize=[1, 1, 3, 3], strides=[1, 1, 2, 2], padding='SAME', data_format='NCHW')
           # 其他卷积层同理，全部保持NCHW格式
           ...
   

场景2：仅局部层用NCHW（之后转回NHWC） #

如果只是临时在某一层用NCHW，之后要兼容原有NHWC的逻辑，需要注意转置和data_format的配合：

def inference(images):
    with tf.variable_scope('conv1') as scope:
        kernel = _variable_with_weight_decay('weights', shape=[5, 5, 3, 64], stddev=5e-2, wd=0.0)
        # 1. 输入转NCHW
        imgs_nchw = tf.transpose(images, [0, 3, 1, 2])
        # 2. 卷积指定data_format=NCHW
        conv_nchw = tf.nn.conv2d(imgs_nchw, kernel, strides=[1, 1, 1, 1], padding='SAME', data_format='NCHW')
        # 3. 转回NHWC兼容后续逻辑
        conv_nhwc = tf.transpose(conv_nchw, [0, 2, 3, 1])
        
        biases = _variable_on_cpu('biases', [64], tf.constant_initializer(0.0))
        pre_activation = tf.nn.bias_add(conv_nhwc, biases)  # 转回NHWC后，bias_add无需指定data_format
        conv1 = tf.nn.relu(pre_activation, name=scope.name)
        _activation_summary(conv1)
        ...

关键注意点 #

• 卷积核的维度永远不需要转置，它的格式[kh, kw, in_channels, out_channels]是TensorFlow卷积操作的固定要求，和输入的维度顺序无关。
• 如果用NCHW格式，所有涉及通道维度的操作（比如bias_add、batch_normalization）都要对应指定data_format，避免加错维度。

内容的提问来源于stack exchange，提问作者Mark Sonn