PyTorch:transforms用法详解
transforms用于图形变换,在使用时我们还可以使用
transforms.Compose
将一系列的transforms操作链接起来。
torchvision.transforms.Compose([ ts,ts,ts... ])
ts为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))])
常见的transform操作
1.resize: `transforms.Resize
torchvision.transforms.Resize(size, interpolation=2)
将输入PIL图像的大小调整为给定大小。
- size(sequence 或int)
- 所需的输出大小。如果size是类似(h,w)的序列,则输出大小将与此匹配。如果size是int,则图像的较小边缘将与此数字匹配。即,如果高度>宽度,则图像将重新缩放为(size*高度/宽度,size)
- interpolation(int,optional) - 所需的插值。默认是 PIL.Image.BILINEAR
2.标准化: transforms.Normalize
torchvision.transforms.Normalize(mean, std)
用平均值和标准偏差归一化张量图像。给定mean:(M1,…,Mn)和std:(S1,…,Sn)对于n通道,此变换将标准化输入的每个通道,torch.*Tensor即 input[channel] = (input[channel] - mean[channel]) / std[channel]
- mean(sequence) - 每个通道的均值序列。
- std(sequence) - 每个通道的标准偏差序列。
i.e.
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
把输入数据的值从0-1变换到(-1,1).具体地说,对每个通道而言,Normalize执行以下操作:
image = (image - mean) / std
其中mean和std分别通过(0.5,0.5,0.5)和(0.5,0.5,0.5)进行指定。原来的0-1最小值0则变成(0-0.5)/0.5=-1,而最大值1则变成(1-0.5)/0.5=1.
3.转为Tensor: transforms.ToTensor
torchvision.transforms.ToTensor
将PIL Image或者 ndarray 转换为tensor,并且归一化至[0-1] ;
注意事项: 归一化至[0-1]是直接除以255,若自己的ndarray数据尺度有变化,则需要自行修改。