PyTorch：transforms用法詳解
- 常見的transform操作
- 1.resize: `transforms.Resize
- 2.標準化: `transforms.Normalize`
- 3.轉為Tensor: `transforms.ToTensor`
transforms用于圖形變換，在使用時我們還可以使用
transforms.Compose將一系列的transforms操作鏈接起來，
torchvision.transforms.Compose([ ts,ts,ts... ])ts為transforms操作
i.e.
transforms.Compose([
transforms.CenterCrop(10),
transforms.ToTensor(), ])
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
常見的transform操作
1.resize: `transforms.Resize
torchvision.transforms.Resize(size, interpolation=2)
將輸入PIL影像的大小調整為給定大小，
- size（sequence 或int）
- 所需的輸出大小，如果size是類似（h，w）的序列，則輸出大小將與此匹配，如果size是int，則影像的較小邊緣將與此數字匹配，即，如果高度>寬度，則影像將重新縮放為（size*高度/寬度，size）
- interpolation（int，optional） - 所需的插值，默認是 PIL.Image.BILINEAR
2.標準化: transforms.Normalize
torchvision.transforms.Normalize(mean, std)
用平均值和標準偏差歸一化張量影像，給定mean：(M1,…,Mn)和std：(S1,…,Sn)對于n通道，此變換將標準化輸入的每個通道，torch.*Tensor即 input[channel] = (input[channel] - mean[channel]) / std[channel]
- mean（sequence） - 每個通道的均值序列，
- std（sequence） - 每個通道的標準偏差序列，
i.e.
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
把輸入資料的值從0-1變換到(-1,1).具體地說，對每個通道而言，Normalize執行以下操作：
image = (image - mean) / std
其中mean和std分別通過(0.5,0.5,0.5)和(0.5,0.5,0.5)進行指定，原來的0-1最小值0則變成(0-0.5)/0.5=-1，而最大值1則變成(1-0.5)/0.5=1.
3.轉為Tensor: transforms.ToTensor
torchvision.transforms.ToTensor
將PIL Image或者 ndarray 轉換為tensor，并且歸一化至[0-1] ；
注意事項： 歸一化至[0-1]是直接除以255，若自己的ndarray資料尺度有變化，則需要自行修改，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/214140.html
標籤：其他