Datawhale_街景字符编码识别-pytorch.transforms数据增强

位于torchvision.transforms下面。
示例：

transforms.Compose([
 	transforms.CenterCrop(10),
	 transforms.ToTensor(),
])

1、常见变换

1.1、Resize（用）

图像尺寸变化

torchvision.transforms.Resize(size, interpolation=2)
示例
```python
transforms.Resize((64, 128)),            #缩放比例

1.2、标准化（用）

对数据按通道进行标准化，即先减均值，再除以标准差，注意是 hwc

torchvision.transforms.Normalize(mean, std)   #mean-均值     std-标准差

示例

transforms.ToTensor(),                         #这里注意顺序，一般在标准化之前，标准化在最后
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])   

1.3、转换为PILmage

将 tensor 或者 ndarray 的数据转换为 PIL Image 类型数据

torchvision.transforms.ToPILImage(mode=None)
#mode- 为 None 时，为 1 通道， mode=3 通道默认转换为 RGB， 4 通道默认转换为 RGBA

1.4、转为Tensor

将 PIL Image 或者 ndarray 转换为 tensor，并且归一化至[0-1]

torchvision.transforms.ToTensor()

示例

transforms.ToTensor(),                         #这里注意顺序，一般在标准化之前，标准化在最后
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])   

2、裁剪—Crop

2.1、中心裁剪

依据给定的 size 从中心裁剪

torchvision.transforms.CenterCrop(size)

2.2、随机裁剪—RandomCrop（用）

依据给定的 size 随机裁剪

torchvision.transforms.RandomCrop(size, padding=0, pad_if_needed=False)
#padding-此参数是设置填充多少个 pixel。
#pad_if_needed-如果图片小于指定尺寸，是否边缘填充。

示例

transforms.RandomCrop((60, 120))