小土堆：Pytorch深度学习：常见的Transforms（二）

今天更新小土堆Pytorch深度学习：常见的Transforms（二）。

Resize的使用

# 打印img的大小print(img.size)# 定义trans_resize为resize变换，将img的大小变为(1314, 520)trans_resize = transforms.Resize((1314,520))
# 对img进行resize变换img_resize = trans_resize(img)# 打印resize后的imgprint(img_resize)
# 将resize后的img转换成tensor类型img_resize = trans_totensor(img_resize)# 将resize后的img作为参数，添加到名为"Resize"的图像中，第三个参数为global_step（可选参数，表示当前训练的步数）writer.add_image("Resize", img_resize,  0)
# 关闭writerwriter.close()

Compose-resize-2的使用

# 定义trans_resize_2为resize变换，将img的大小变为宽度或高度为520，另一边按比例缩放trans_resize_2 = transforms.Resize(520)
# 定义trans_compose为组合变换，将trans_resize_2和trans_totensor组合起来使用，先进行resize，再转化为tensor类型trans_compose = transforms.Compose([trans_resize_2, trans_totensor])
# 对img进行组合变换img_resize_2 = trans_compose(img)
# 将组合变换后的img作为参数，添加到名为"Resize"的图像中，第三个参数为global_step（可选参数，表示当前训练的步数）writer.add_image("Resize", img_resize_2, 1)
# 关闭writerwriter.close()

RandomCrop的使用

# 定义trans_random为RandomCrop变换，随机裁剪img的一部分，大小为300x300trans_random = transforms.RandomCrop(300)
# 定义trans_compose_2为组合变换，将trans_random和trans_totensor组合起来使用，先进行随机裁剪，再转化为tensor类型trans_compose_2 = transforms.Compose([trans_random, trans_totensor])
# 对img进行组合变换，裁剪10次，每次裁剪后将结果作为参数添加到名为"RandomCrop"的图像中，第三个参数为global_stepfor i in range(10):    img_crop = trans_compose_2(img)    writer.add_image("RandomCrop", img_crop, i)
# 关闭writerwriter.close()