python 和 matlab的caffe读数据细节

（1）.prototxt中的输入表示一样，如

dim: 10
dim: 3
dim: 227
dim: 227

（2）代码喂入数据不一样：

python:    

input_blob = np.zeros((config.batchsize, 3, config.crop_h, config.crop_w), dtype=np.float32)

#im.shape是3,h,w

matlab:

data=zeros(config.crop_h,config.crop_w,1,config.batchsize);

（3）什么不变？什么在变？opencv库有哪些坑人之处

首先，看看到底是row-major还是column-major?

row-major:python 的numpy库, opencv c++

column-major:matlab

对接时，Python：越靠左，级别越大，就是Python的存储row-major本质，就是Python---->连续内存----->c++;而对于matlab，越靠右级别越大，就是matlab的存储本质column-major，即，matlab---->连续内存----->c++;这非常重要，尤其是输入图片不为方矩阵时，会导致非常严重结果，（网络太大也能收敛）。因为传给opencv c++时，c++重新将连续内容重组成图片。假设一个单通道图片本来是matlab的存法，大小是10*20，切成一条连续内存，column-major优先，切成10个像素10个像素的共20份串接起来放在内存中，c++从内存中拿出来，组装成20个像素一行，那么就会把图像的两列凑成一行，图像结构变形。特殊地，如果是方矩阵，则不会顾及这些，最多图像“被躺下”了，即旋转了90度，这其实对网络训练来说不要紧。

关键是注意什么？

关键是按照内存连续性来写入，知道对那个接数组（行，列，通道是否是按照opencv对图像排列的方式：先对第一个通道的第一行扫描，然后第二行扫描），比如一个大坑是：

python的cv2.imread读出来numpy是：480*640*3，这还是matlab那种形式，不过存的时候按照Python的存法实际是，在连续内容中对图像块的解释是，先是第一个通道的第一行第一列，然后第二个通道的第一行第一列...

只会出问题的。等一下opencv c++读入还是按自己那一套先行，后列，再通道。

可能大家都懂了这个道理了，但还是很混沌，是吗？这样吧，写个教条：  工具(各种函数)---->根据下图arr.transpose或者permute成右图，举个例子用python的cv2.imread工具读（可以是Python其他的工具）

虽然matlab的imread读入之后形式看起来也是（480,640,3），但是matlab是column-major的，因此，画出的图如下：

注意：

tranpose和permute是在改变内存的连续方式，reshape没有改变。另外，matlab还有rgb跟opencv通道上的bgr的不同，但目前觉得卷积都看起来一样，除非考虑pre-train得到的bgr均值要减。