RGB图像，排列方式NHWC适合CPU计算，NCHW适合GPU计算

之前写过笔记OpenCV读取图像时按照BGR的顺序HWC排列,PyTorch按照RGB的顺序CHW排列,HWC格式排列，那么内存位置计算公式是？

在比较NHWC（channels_last）和NCHW（channels_first）这两种图像数据通道格式的效率时，需要考虑具体的硬件环境和应用场景。

NCHW

plane的格式，即rrrrggggbbbb。

[
[[R R R R] [R R R R] [R R R R]],
[[G G G G] [G G G G] [G G G G]],
[[B B B B] [B B B B] [B B B B]], ]

在GPU环境中，NCHW格式通常更有效率。这是因为GPU倾向于利用并行性进行计算，而NCHW格式允许在计算卷积操作时并行处理不同通道的特征图。例如，在使用NVIDIA的cudnn库时，NCHW是原生支持的数据模式，并且在GPU中使用NCHW格式计算卷积通常比NHWC格式快。这是因为NCHW排列方式使得每个通道内的像素紧挨在一起，从而可以更有效地利用GPU的并行计算能力。

NHWC

[
[[B G R] [B G R] [B G R][B G R],
[[B G R] [B G R] [B G R][B G R],
[[B G R] [B G R] [B G R][B G R], ]

然而，在CPU环境中，NHWC格式可能更有效率。CPU指令集（如SSE或AVX）更适合沿着数据的最后一维（即C维，代表通道）进行计算。NHWC排列方式使得不同通道中的同一位置元素顺序存储，这更符合CPU的访存模式。此外，NHWC的访存局部性更好，因为每读取三个像素（对于RGB图像）就能获得一个完整的彩色像素值，从而可以立即对该像素进行计算。这更适合多核CPU运算，因为CPU的内存带宽相对较小，每个像素计算的时延较低。

因此，NHWC和NCHW哪种格式效率更高取决于具体的硬件环境和应用场景。在训练深度学习模型时，如果使用的是GPU加速，那么NCHW格式通常更合适。而在CPU中进行推理时，NHWC格式可能更有效率。此外，不同的深度学习框架对这两种格式的支持程度也可能不同。例如，TensorFlow默认使用NHWC格式，但也支持NCHW格式；而PyTorch则更倾向于使用NCHW格式。

在选择数据格式时，需要根据具体的硬件环境、应用场景以及深度学习框架的支持情况来综合考虑。