pytorch框架中一些代码的解释

预处理函数

class torchvision.transforms.Compose(transforms)

    data_transforms = {'train': transforms.Compose([transforms.RandomSizedCrop(48),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.5,0.5,0.5], [0.5,0.5,0.5])]),'val': transforms.Compose([transforms.Scale(image_size),transforms.CenterCrop(crop_size),transforms.ToTensor(),transforms.Normalize([0.5,0.5,0.5], [0.5,0.5,0.5])]),}

Compose方法是将多种变换组合起来。

1.crop

裁剪（Crop）—— transforms.CenterCrop：中心裁剪：size:所需要裁剪的尺寸 transforms.RandomCrop：从图片中随机裁剪出尺寸为size的图片
transforms.RandomResizedCrop：随机大小、长宽比裁剪图像
transforms.FiveCrop：在图像上下左右以及中心裁剪出尺寸为size的5张图像
transforms.TenCrop：对裁剪的5张图像进行水平或垂直镜像获得10张图像

transforms.RandomCrop：

size:所需裁剪图像尺寸。
padding：填充大小: 当为a时，上下左右均填充为a个像素，当为(a,b)时，上下填充b个像素，左右填充a个像素，当为(a,b,c,d)时，左、上、右、下分别填充a,b,c,d。
pad_if_need：图像小于设定size，则填充。
padding_mode：填充模式，有四种模式。
1、constant：像素值由fill设定
2、edge：像素值由图像边缘像素决定。
3、reflect：镜像填充，最后一个像素不镜像，
eg：[1,2,3,4]——>[3,2,1,2,3,4,3,2]。
4、symmetric：镜像填充，最后一个像素镜像，
eg：[1,2,3 ,4 ] → [2,1,1,2,3,4,4 ,3 ]。
fill：constant时，设置填充的像素值。

transforms.RandomResizedCrop：

size：裁剪图像大小。
scale：随机裁剪面积比例，默认是(0.08,1)。
ratio：随机长宽比，默认（3/4,4/3）。
interpolation：插值方法，PIL.Image.Nearest\PIL.Image.Bilinear\PIL.Image.Bicubic

————————————————
原文链接：https://blog.csdn.net/weixin_43687366/article/details/107740433

transforms.RandomResizedCrop( ) 将给定图像随机裁剪为不同的大小和宽高比，然后缩放所裁剪得到的图像为制定的大小；（即先随机采集，然后对裁剪得到的图像缩放为同一大小）默认scale=(0.08, 1.0)

from PIL import Image
from torchvision import transforms
import matplotlib.pyplot as plt
img = Image.open(r"F:\code DVC\python image processing\hanli2.png")
print("原图大小：",img.size)
data1 = transforms.RandomResizedCrop(200)(img)
print("随机裁剪后的大小:",data1.size)
data2 = transforms.RandomResizedCrop(200)(img)
data3 = transforms.RandomResizedCrop(100)(img)# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(2,2,1),plt.imshow(img),plt.axis('off'),plt.title("原图")
#plt.subplot(2,2,1)表示把显示界面分割成2*2的网格。
# 其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号。
plt.subplot(2,2,2),plt.imshow(data1),plt.axis('off'),plt.title("200图1")
plt.subplot(2,2,3),plt.imshow(data2),plt.axis('off'),plt.title("200图2")
plt.subplot(2,2,4),plt.imshow(data3),plt.axis('off'),plt.title("100图3")
plt.show()

2.翻转和旋转

翻转和旋转（Flip and Rotation）
依概率p水平翻转：transforms.RandomHorizontalFlip(p=0.5)
依概率p垂直翻转：transforms.RandomVerticalFlip(p=0.5)
随机旋转：transforms.RandomRotation

3.图像变换

transforms.Pad：对图像边缘进行填充
transforms.ColorJitter：修改图像亮度、对比度饱和度
transforms.Grayscale：转灰度图
transforms.RandomGrayscale：依概率转换为灰度图
transforms.RandomAffine：仿射变换
transforms.LinearTransformation：线性变换
transforms.RandomErasing：随机选择图像中的矩形区域并擦除其像素。 transforms.Lambda
transforms.Resize
transforms.ToTensor：转换为tensor向量
transforms.Normalize：标准化

(1).transform.Normalize经常看到

transform.ToTensor(),
transform.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))

以上面代码为例，ToTensor()能够把灰度范围从0-255变换到0-1之间，而后面的transform.Normalize()则把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

原文链接：https://blog.csdn.net/jzwong/article/details/104272600

4.transforms的操作

transforms.RandomChoice：从给定的一系列transforms中选一个进行操作
transforms.RandomApply：给一个transforms加上概率，以一定的概率执行该操作
transforms.RandomOrder：将transforms中的操作顺序随机打乱
原文链接：https://blog.csdn.net/weixin_43687366/article/details/107740433

pytorch框架(计算机视觉）一.数据增强相关推荐

【直播预告】计算机视觉中数据增强原理和实践
应广大粉丝要求,以后有三AI会多组织直播,分享更多实践的干货知识,下面预告一下下周六的知乎Live直播-计算机视觉中数据增强原理和实践. 1.直播基本信息时间:2019年4月20日20:00开始. ...
使用PyTorch和Albumentations进行数据增强与损失函数
数据扩增 Part 1 数据读取与数据扩增图像读取数据扩增基于图像处理的数据扩增几何变换灰度和彩色空间变换添加噪声和滤波图像混合(Mixing images) 随机搽除(Random e ...
【动手学深度学习PyTorch版】27 数据增强
上一篇请移步[动手学深度学习PyTorch版]23 深度学习硬件CPU 和 GPU_水w的博客-CSDN博客目录一.数据增强 1.1 数据增强(主要是关于图像增强) ◼ CES上的真实的故事 ◼ ...
【Pytorch学习笔记】数据增强
前言 torchvision 模块包含常用的数据集,模型建构,图像变换算法,分别是torchvision.datasets,torchvision.models,torchvision.transfo ...
Pytorch 目标检测BoundingBox数据增强详细记录
目录 1.resize 2 裁剪crop 2.1 中心裁剪center_crop 2.2 随机图像大小裁剪RandomSize_crop 2.3 随机裁剪Random_crop 3.随机翻转rando ...
【transformer】【pytorch】DeiT的数据增强
1 main中的相关参数 #函数:def get_args_parser(): parser.add_argument('--input-size', default=224, type=int, h ...
pytorch图像数据增强N大技巧
数据增强对深度神经网络的训练来说是非常重要的,尤其是在数据量较小的情况下能起到扩充数据的效果. 还记得当时在学习过拟合的解决方法的时候,就有一条就是数据增强,那么我们这次来学习下,在 pytorch ...
PyTorch 学习笔记（二）：PyTorch的数据增强与数据标准化
本文截取自<PyTorch 模型训练实用教程>,获取全文pdf请点击:https://github.com/tensor-yu/PyTorch_Tutorial 文章目录 transfor ...
论文阅读笔记（15）：Deep Subspace Clustering with Data Augmentation，深度子空间聚类+数据增强
论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强摘要 1 介绍 2 相关工作带增强的聚类方法具有一致 ...

pytorch框架(计算机视觉）一.数据增强