pytorch中transform函数详解

data_transforms = transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ])

Compose方法是将多种变换组合在一起。上述对data_transforms进行了四种变换，前两个是对PILImage进行的，分别对其进行随机大小和随机宽高比的裁剪，之后resize到指定大小224，以及对原始图像进行随机的水平翻转；

第三个transforms.ToTensor()将PILImage转变为torch.FloatTensor的数据形式；

而最后一个Normalize则是对tensor进行的。

多种组合变换有一定的先后顺序，处理PILImage的变换方法（大多数方法）都需要放在ToTensor方法之前，而处理tensor的方法（比如Normalize方法）就要放在ToTensor方法之后。

接下来介绍transforms中的函数：（从比较重要的开始）

1. ToTensor：convert a PIL image to tensor (HWC) in range [0,255] to a torch.Tensor(CHW) in the range [0.0,1.0]
2. Normalize：Normalized an tensor image with mean and standard deviation。
   即：用给定的均值和标准差分别对每个通道的数据进行正则化。具体来说，给定均值(M1,…,Mn)，给定标准差(S1,…,Sn)，其中n是通道数（一般是3），对每个通道进行如下操作：

output[channel] = (input[channel] - mean[channel]) / std[channel]

比如：原来的tensor是三个维度的，值在[0,1]之间，经过变换之后就到了[-1，1]
计算如下：(（0,1）-0.5）/0.5=(-1,1)

3. ToPILImage: convert a tensor to PIL image

针对PILImage的操作函数：

1. CenterCrop：在图片的中间区域进行裁
2. RandomCrop：在一个随机的位置进行裁
3. RandomHorizontalFlip：以0.5的概率水平翻转给定的PIL图像
4. RandomVerticalFlip：以0.5的概率竖直翻转给定的PIL图像
5. RandomResizedCrop：将PIL图像裁剪成任意大小和纵横比
6. Grayscale：将图像转换为灰度图像
7. RandomGrayscale：将图像以一定的概率转换为灰度图像
8. FiceCrop：把图像裁剪为四个角和一个中心
9. Pad：填充
10. ColorJitter：随机改变图像的亮度对比度和饱和度