當前位置 主頁 > 網站技術 > 代碼類 > 最大化 縮小

    pytorch中的transforms模塊實例詳解

    欄目:代碼類 時間:2019-12-31 18:08

    pytorch中的transforms模塊中包含了很多種對圖像數據進行變換的函數,這些都是在我們進行圖像數據讀入步驟中必不可少的,下面我們講解幾種最常用的函數,詳細的內容還請參考pytorch官方文檔(放在文末)。

    data_transforms = transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
      ])

    從上面的data_transforms變量中我們能夠看出進行了多種變換,而Compose方法是將多種變換組合起來。data_transforms中一共包含了四個變換,前兩個是對PILImage進行的,分別對其進行隨機大。J原始圖像大小的0.08-1.0)和隨機寬高比(默認原始圖像寬高比的3/4-4/3)的裁剪,之后resize到指定大小224;以及對原始圖像進行隨機(默認0.5概率)的水平翻轉。

    第三個transforms.ToTensor()的變換操作是關鍵一步,它將PILImage轉變為torch.FloatTensor的數據形式,這種數據形式一定是C x H x W的圖像格式加上[0,1]的大小范圍。它將顏色通道這一維從第三維變換到了第一維。

    最后的Normalize變換是對tensor這種數據格式進行的,它的操作是用給定的均值和標準差分別對每個通道的數據進行正則化。具體來說,給定均值(M1,...,Mn),給定標準差(S1,..,Sn),其中n是通道數(一般是3),對每個通道進行如下操作:

    output[channel] = (input[channel] - mean[channel]) / std[channel]

    最后需要強調一點的是,這幾個變換的先后順序有一定的講究,因為不同的方法所處理的對象不一樣,前兩種變換是對PILImage進行的,而Normalize則是對tensor進行的,所以處理PILImage的變換方法(大多數方法)都需要放在ToTensor方法之前,而處理tensor的方法(比如Normalize方法)就要放在ToTensor方法之后。

    附上pytorch官方參考:https://pytorch.org/docs/stable/torchvision/transforms.html?highlight=torchvision%20transforms

    以上這篇pytorch中的transforms模塊實例詳解就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支持IIS7站長之家。

    下一篇:沒有了
青海十一选五开奖数据