介紹

Pytorch是一個深度學習框架，廣泛用于圖像分類、分割、目標識別等各種任務(wù)。在這種情況下，我們必須處理各種類型的數(shù)據(jù)。很可能在大多數(shù)情況下，數(shù)據(jù)可能不是我們所需要的格式。PyTorch轉(zhuǎn)換就是救星。

torchvision．transforms模塊提供了可以使用的各種圖像轉(zhuǎn)換。我們使用變換對數(shù)據(jù)進行一些操作，使其適合于訓(xùn)練torchvision模塊，PyTorch為常見的圖像變換提供變換有關(guān)的函數(shù)。這些變換可以使用Compose鏈接在一起。

讓我們在本文中看看其中的幾個！準備好了嗎？

1． ToTensor

這是一個非常常用的轉(zhuǎn)換。在PyTorch中，我們主要處理張量形式的數(shù)據(jù)。如果輸入數(shù)據(jù)是NumPy數(shù)組或PIL圖像的形式，我們可以使用ToTensor將其轉(zhuǎn)換為張量格式。

最后一個張量的形式是（C ＊ H ＊ W）。同時，還執(zhí)行從0–255到0–1的范圍內(nèi)的縮放操作。

讓我們用一個例子來更好地理解它。在這個博客中，我將使用Ragnar（我最喜歡的虛構(gòu)角色）的圖像來執(zhí)行轉(zhuǎn)換。

2．  Normalize

此操作將獲取張量圖像，并使用平均值和標準差對其進行歸一化。它有3個參數(shù)：mean， std， inplace。我們需要為3個通道提供一系列平均值，作為參數(shù)“mean”，“std”類似。如果將“inplace”設(shè)為True，則將計算得到的值覆蓋之前的值。

torchvision．transforms．Normalize（［meanOfChannel1， meanOfChannel2， meanOfChannel3］， ［stdOfChannel1， stdOfChannel2， stdOfChannel3］）
＃Example：
transforms．Normalize（（0．5， 0．5， 0．5）， （0．5， 0．5， 0．5））

3． CenterCrop

這將在中心裁剪給定的張量圖像。你可以以（高度、寬度）的形式向transforms．CenterCrop（）提供要裁剪的大小作為輸入。讓我們在圖像上實現(xiàn)這個并進行檢查。

transform ＝ transforms．Compose（［transforms．ToTensor（），transforms．CenterCrop（（200，100））］）
tensor＿img ＝ transform（image）
tensor＿img．shape
Output： torch．Size（［3， 200， 100］）

如果只提供一個尺寸標注而不是兩個尺寸標注，會發(fā)生什么情況？

它將假設(shè)它是一個正方形，并且將生成一個（size， size））的裁剪。

如果給定的尺寸比原來的尺寸大呢？

沿著這些邊，圖像將填充0！

4． RandomHorizontalFlip

此變換將以給定的概率水平（隨機）翻轉(zhuǎn)圖像。你可以通過參數(shù)“p”來設(shè)置這個概率。p的默認值為0．5。

檢查我下面的例子來理解。

transform ＝ transforms．Compose（［transforms．RandomHorizontalFlip（p＝0．9）］）
tensor＿img ＝ transform（image）
tensor＿img

查看原始圖像和翻轉(zhuǎn)的圖像！