transform 等效转换(参考源码)

下述转换因为原来的transform封装和一些情况的考虑,耗时大概24ms,手动的简化版本是1.2ms.

 71         self.predict_transform = transforms.Compose([
 72             transforms.Resize((256, 256)),
 73             transforms.ToTensor(),
 74             transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
 75         ])

 95     def my_predict_transform(self, Xt):
 96         #Xt = Xt.transpose(2, 0, 1)
 97         Xt = np.array(Xt, dtype=np.float32)
 98         Xt = Xt.transpose(2, 0, 1)
 99         print("Xt.shape:", Xt.shape)
100         #Xt = cv2.resize(Xt, (256, 256)) #already256,last step
101         Xt = Xt/255
102         print("Xt[0]:", Xt[0].shape)
103         print(Xt[0])
104         Xt -= 0.5
105         Xt = Xt/0.5
106 
107         return torch.from_numpy(Xt)

经验证,结果一致
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值