大学网站建设课程课综,温州网站推广好不好,led照明企业网站模板,ajax网站模板文章目录 ComposeToTensorNormalizeResize 在PyTorch中#xff0c;transforms是一个用于图像预处理和数据增强的模块#xff0c;通常与torchvision库一起使用。torchvision提供了大量预先定义的transforms#xff0c;它们可以方便地应用于图像数据#xff0c;以进行预处理或… 文章目录 ComposeToTensorNormalizeResize 在PyTorch中transforms是一个用于图像预处理和数据增强的模块通常与torchvision库一起使用。torchvision提供了大量预先定义的transforms它们可以方便地应用于图像数据以进行预处理或增强。这些transforms对于训练和评估机器学习模型尤其是深度学习模型非常有用。 python中的call方法 在Python中__call__ 是一个特殊方法也被称为“魔法方法”或“双下划线方法”。当一个对象实例被当作函数一样调用时Python会自动调用该对象的 __call__ 方法。这意味着你可以定义你自己的对象使其能够被“调用”就像调用一个函数一样。
class Person:def __call__(self,name):print(__call__Helloname)def hello(self,name):print(helloname)person Person()
person(zhangsan)
person.hello(lisi)class CallableClass: def __init__(self, value): self.value value def __call__(self, *args, **kwargs): print(fCalled with {args} and {kwargs}) return self.value # 创建一个实例
obj CallableClass(42) # 使用该实例就像调用一个函数一样
result obj(1, 2, 3, a4, b5) print(result) # 输出: 42Compose
在PyTorch中Compose是一个功能强大的工具它允许你将多个转换transforms组合成一个单一的转换序列。这样你就可以一次性地对数据进行一系列复杂的预处理操作。Compose通常与torchvision.transforms模块一起使用该模块提供了许多预定义的转换函数。
from torchvision import transforms # 定义一系列的转换
transform_sequence transforms.Compose([ transform1, transform2, transform3, # ...
]) # 然后你可以将这个转换序列应用于图像
transformed_image transform_sequence(image)from torchvision import transforms
from PIL import Image # 加载一张图像
image Image.open(path_to_image.jpg) # 定义转换序列
transform transforms.Compose([ transforms.Resize((256, 256)), # 将图像大小调整为256x256 transforms.CenterCrop(224), # 从中心裁剪出224x224的区域 transforms.ToTensor(), # 将PIL图像或NumPy ndarray转换为torch.Tensor transforms.Normalize( # 对图像进行标准化 mean[0.485, 0.456, 0.406], # 使用ImageNet数据集上的RGB通道的均值 std[0.229, 0.224, 0.225] # 使用ImageNet数据集上的RGB通道的标准差 )
]) # 应用转换序列到图像
transformed_image transform(image)在这个例子中我们首先使用Resize将图像大小调整为256x256然后使用CenterCrop从中心裁剪出224x224的区域。接着使用ToTensor将图像转换为PyTorch张量最后使用Normalize对图像进行标准化处理。所有这些转换都被组合在一起并通过一次调用transform(image)来应用。 ToTensor 这是transforms源码中的解释 在PyTorch中是一个常用的转换函数用于将PIL Image或NumPy ndarray转换为torch.Tensor。但是在转换过程中它会自动将图像的像素值范围从[0, 255]缩放到[0.0, 1.0]。这通常是因为神经网络的输入通常期望在[0.0, 1.0]范围内。 from PIL import Image
from torchvision import transforms
from torch.utils.tensorboard import SummaryWriterwriter SummaryWriter(logs)
imge_path images/OIP.jpg
imge Image.open(imge_path)
trans_totensor transforms.ToTensor()
# 这是就是call函数的调用
imge_tensor trans_totensor(imge)writer.add_image(ToTensor,imge_tensor)
writer.close()Normalize 归一化公式 o u t p u t [ c h a n n e l ] ( i n p u t [ c h a n n e l ] − m e a n [ c h a n n e l ] ) s t d [ c h a n n e l ] output[channel] \frac{(input[channel] - mean[channel])}{std[channel]} output[channel]std[channel](input[channel]−mean[channel])
from PIL import Image
from torchvision import transforms
from torch.utils.tensorboard import SummaryWriterwriter SummaryWriter(logs)
imge_path images/OIP.jpg
imge Image.open(imge_path)# ToTensor
trans_totensor transforms.ToTensor()
imge_tensor trans_totensor(imge)
writer.add_image(ToTensor, imge_tensor)print(imge_tensor[0][0][0])
# Normalize
trans_norm transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm trans_norm(imge_tensor)
print(img_norm[0][0][0])
writer.add_image(Norm,img_norm)writer.close()可以看出来归一化的结果还是有些不同的
Resize
# Resize
print(imge.size)
trans_resize transforms.Resize((512, 512))
img_resize trans_resize(imge)print(img_resize)
img_resizetrans_totensor(img_resize)
writer.add_image(Resize,img_resize,0)writer.close()
