在训练网络时，若采用数据增强扩充数据集，pytorch中常用

transforms.Compose([
    transforms.RandomSizedCrop(max(resize)),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

方法来进行变换。transform中有很多随机变换方法，如果需要确保input和label图像进行相同的变换就会出现问题。
所以将所有的变换方法拆开如下:

p1 = random.randint(0,1)
p2 = random.randint(0,1)
transform = transforms.Compose([
    transforms.ToPILImage(),
    transforms.RandomCrop(128),
    transforms.RandomHorizontalFlip(p1),
    transforms.RandomVerticalFlip(p2)
])
seed = np.random.randint(2147483647)  # make a seed with numpy generator
random.seed(seed)  # apply this seed to img tranfsorms
x = transform(x)
random.seed(seed)  # apply this seed to img tranfsorms
t = transform(t)

随机给定p1 p2（0或1），分别应用于transforms中的两个概率随机变换，保证input (x) 和label(t)同时变换(概率为1)或同时不变(概率为0)，而对于randomcrop这种不依赖与概率的随机变换，可以在每次应用函数前设置相同的种子来确保随机裁剪区域相同。