torchvision.transforms.Compose(transforms)
是 PyTorch 中 torchvision 包提供的一个函数,用于将多个图像变换操作组成一个变换操作序列。它接受一个变换操作列表 transforms
作为输入,并返回组合后的变换操作。这个组合操作可以应用于数据增强,也可以应用于测试时对数据的预处理。下面是一个使用示例:
import torch
from torchvision import transforms
# 定义多个图像变换操作
transform_train = transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
transform_test = transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
# 应用组合变换操作
train_dataset = YourDataset(root='data', train=True, transform=transform_train)
test_dataset = YourDataset(root='data', train=False, transform=transform_test)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)
在上面的示例中,Compose()
函数被用于定义多个图像变换操作的序列。transform_train
和 transform_test
分别定义了两个不同的变换操作序列,分别应用于训练数据和测试数据。最后,通过实例化 YourDataset
类并传入相应的变换操作序列,得到了数据集对象。这些数据集对象可以被用于实例化 PyTorch 的 DataLoader
并进行数据加载。这样,在数据加载时就会自动应用相应的图像变换操作序列,从而实现了数据增强和预处理的效果。