transform.ToTensor

类原型：

CLASS torchvision.transforms.ToTensor作用：转换PIL Image或numpy。Ndarray到张量。此转换不支持torchscript。、转换PIL Image或numpy。ndarray(高x宽x宽)在范围[0,255]到一torch。如果PIL图像属于其中一种模式(L, LA, P, I, F, RGB, YCbCr, RGBA, CMYK, 1)，则形状(C x H x W)的FloatTensor在[0.0,1.0]范围内，或者如果numpy。Ndarray有dtype = np。在其他情况下，张量返回没有缩放注意：由于输入图像被缩放为[0.0,1.0]，因此在转换目标图像掩码时不应使用此转换

实例程序：

img = Image.open("data/val/Dog/2.jpg")
print("图像的像素矩阵:\n{}".format(np.array(img)) )totentor = transforms.ToTensor()
img_totentor = totentor(img)
print("图像的张量:\n{}".format(img_totentor))

**运行结果：**对像素值进行了归一化，使值变换到[0,1]之间

图像的像素矩阵:
[[[190 161 129][189 160 130][194 167 138]...[190 164 127][176 155 110][201 185 152]][[180 151 119][175 149 116][194 169 139]...[177 151 114][179 158 113][203 187 154]][[175 149 114][180 154 121][201 176 146]...[176 150 113][181 160 115][198 182 149]]
图像的张量:
tensor([[[0.7451, 0.7412, 0.7608,  ..., 0.7451, 0.6902, 0.7882],[0.7059, 0.6863, 0.7608,  ..., 0.6941, 0.7020, 0.7961],[0.6863, 0.7059, 0.7882,  ..., 0.6902, 0.7098, 0.7765],...,[0.7176, 0.7216, 0.7255,  ..., 0.8627, 0.8627, 0.8392],[0.7176, 0.7216, 0.7216,  ..., 0.8706, 0.8706, 0.8431],[0.6980, 0.6980, 0.7020,  ..., 0.7843, 0.7843, 0.7843]],[[0.6314, 0.6275, 0.6549,  ..., 0.6431, 0.6078, 0.7255],[0.5922, 0.5843, 0.6627,  ..., 0.5922, 0.6196, 0.7333],[0.5843, 0.6039, 0.6902,  ..., 0.5882, 0.6275, 0.7137],...,[0.6824, 0.6863, 0.6902,  ..., 0.8275, 0.8235, 0.8078],[0.6980, 0.7020, 0.7020,  ..., 0.8431, 0.8392, 0.8235],[0.6824, 0.6824, 0.6863,  ..., 0.7647, 0.7725, 0.7804]],[[0.5059, 0.5098, 0.5412,  ..., 0.4980, 0.4314, 0.5961],[0.4667, 0.4549, 0.5451,  ..., 0.4471, 0.4431, 0.6039],[0.4471, 0.4745, 0.5725,  ..., 0.4431, 0.4510, 0.5843],...,[0.6549, 0.6588, 0.6627,  ..., 0.8078, 0.8157, 0.8000],[0.6824, 0.6863, 0.6863,  ..., 0.8196, 0.8275, 0.8118],[0.6706, 0.6706, 0.6745,  ..., 0.7412, 0.7529, 0.7647]]])

transform.ToTensor相关推荐

transform.Normalize()用法+后面参数为什么用(0.5，0.5，0.5)(0.5，0.5，0.5)
transform.Normalize():用均值和标准差对张量图像进行归一化经常看到 transform.ToTensor(), transform.Normalize((0.5,0.5,0.5) ...
transform.normalize
transform.Normalize() 1.归一化函数 CLASS torchvision.transforms.Normalize(mean, std, inplace=False) 用均值和标 ...
深度学习数据集定义与加载
深度学习数据集定义与加载深度学习模型在训练时需要大量的数据来完成模型调优,这个过程均是数字的计算,无法直接使用原始图片和文本等来完成计算.因此与需要对原始的各种数据文件进行处理,转换成深度学习模型可 ...
pytroch 数据集 datasets DataLoader示例
pytroch 数据集 datasets DataLoader示例 # 安装依赖包 ! pip install torchvision Looking in indexes: https://pypi ...
MNIST数据集合在PaddlePaddle环境下使用简单神经网络识别效果
简介: 通过PaddlePaddle构造的简单神经网络对于MNIST数据库进行实验,可以看到使用普通的稠密网络,便可以达到很高的识别效果.训练结果存在一定的随机性.这取决于训练其实的条件.由于在Pa ...
在PaddlePaddle中的Notebook代码片段
简介: ※利用Python编写的aisi辅助程序,可以在一定程度上缓解简单性与灵活性之间的矛盾.这以个人搭建网络的习惯进行固定,在平时以更小的代码量,更灵活的方式构建深度学习程序.提高程序开发效率. ...
CircleLoss测试
circleloss 资料: https://blog.csdn.net/jacke121/article/details/106637046 训练时,把标签转为相似度, 预测时,给两个label的相 ...
PaddlePaddle——手写数字识别DEMO
https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/02_paddle2.0_develop/01_quick_start_cn. ...
深度学习修炼（二）——数据集的加载
文章目录致谢 2 数据集的加载 2.1 框架数据集的加载 2.2 自定义数据集 2.3 准备数据以进行数据加载器训练致谢 Pytorch自带数据集介绍_godblesstao的博客-CSDN博客_ ...

transform.ToTensor

transform.ToTensor

transform.ToTensor相关推荐

最新文章

热门文章