基于PyTorch学AI——Transforms转换

上一节了解了Dataset提到transform属性和target_transform属性，本节具体看看它的使用场景。

机器学习或深度学习算法一般对数据有比较严格的要求，而训练数据往往是不稳定的，会有各种变化，因此多数情况下都需要对训练数据进行"变形"才能喂给算法。
transform和target_transform属性既用来指定变形方法。

Transforms转换的用途

Dataset有两个参数——transform和target_transform，分别指定用于处理数据和标签的方法。
torchvision.transforms模块提供了几种常用的开箱即用的transforms转换函数。
这里的transforms与Transformer算法没什么关系。

例如，FashionMNIST数据集采用PIL图像格式，标签为整数。
训练前，需要将特征进行归一化，并将标签转为one-hot编码，这个需求可以使用ToTensor和Lambda实现。

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

ds = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)

ToTensor

ToTensor方法将PIL图像或NumPy ndarray转换为FloatTensor类型，并在[0.，1.]范围内实现数据归一化。

Lambda

使用用户自定义的Lambda表达式将整数转换为一个one-hot张量。
首先创建一个长度为10，类型为torch.float的全0张量，并调用scatter_方法，用于在标签y给出的索引上分配赋值1，从而完成one-hot张量的构建。

总结

本节很简单，只需要知道两个Transforms转换有什么用途。
实际项目中，该方法几乎都需要自定义，使训练数据满足算法要求。