我想将我的图像分成更小的窗口，这些窗口将被发送到神经网络进行训练(例如，用于人脸检测器训练)。我在Tensorflow中找到了tf.extract_image_patches方法，这似乎正是我所需要的。这个问题解释了它的作用。
那里的示例显示了(1x10x10x1)的输入(按顺序从1到100的数字)，给定ksize是(1, 3, 3, 1)(和strides(1, 5, 5, 1))。输出是这样的：
[[[[ 1 2 3 11 12 13 21 22 23]
[ 6 7 8 16 17 18 26 27 28]]
[[51 52 53 61 62 63 71 72 73]
[56 57 58 66 67 68 76 77 78]]]]
但是我希望这样的窗口(形状(Nx3x3x1)，因此它是N大小3x3的补丁/窗口)：
[[[1, 2, 3]
[11, 12, 13]
[21, 22, 23]]
...
那么，为什么所有的补丁值都存储在一维中呢？这是否意味着此方法不适用于我上面描述的目的，并且我不能使用它来准备训练批次？我还找到了另一种提取补丁的方法，sklearn.feature_extraction.image.extract_patches_2d这种方法确实达到了我的期望。那么我应该理解为这两种方法不做同样的事情吗？
正确，这些函数返回不同的张量(多维数组)。
首先，tf.extract_image_patches文档如下：
返回：
一个张量。与图像具有相同的类型。形状
[batch, out_rows, out_cols, ksize_rows * ksize_cols * depth]包含图像的 4-D 张量 大小ksize_rows x ksize_cols x depth在 "深度"维度。注意out_rows和out_cols是 输出补丁。
基本上，这表示[1, 2, 3]、[11, 12, 13]、[21, 22, 23]窗口在"深度"维度上被展平或矢量化。out_rows和out_cols是根据strides参数计算的，在本例中为strides=[1, 5, 5, 1]，而padding为'VALID'。因此，输出形状为(1, 2, 2, 9)。
换句话说：
strides更改空间维度ksizes更改深度
请注意，输出张量确实包含所有单独的窗口，因此您可以通过选择访问它们。
另一方面，sklearn.feature_extraction.image.extract_patches_2d：
返回：
patches：数组、形状 =(n_patches, patch_height, patch_width)或(n_patches, patch_height, patch_width, n_channels)从映像中提取的修补程序集合，其中n_patchesmax_patches或可以 提取。
这正是您所描述的：每个窗口都采用整个空间维度patch_height, patch_width。这里，结果形状取决于patch_size，不支持步幅和填充，第一个维度计算为补丁总数。