在图像可视化时，为什么将Tensor转换为NumPy

why？ 主要原因是大多数可视化工具期望输入的格式数据为”NumPy“数组，这些工具在处理和显示图像时，通常不支持pytorch的’Tensor‘结构

• Matplotlib 等库的兼容性：

  • Matplotlib 是一个常用的 Python 可视化库，它要求输入数据为’Numpy‘数组，传入Tensor会报错
  • Tensor 是 PyTorch 特有的数据结构，而 NumPy 数组是 Python 科学计算的标准数据格式，许多库都是围绕 NumPy 设计和实现的。

• 数据格式的转换：

  • Tensor 在PyTorch中存储形式是（channels， height，width），而Numpy以（height， width， channels）表示，因此我们需要用’.transpose‘来调整为度顺序。‘transpose（1， 2，0）

• 数据类型的处理：

  • 图像显示通常需要像素值（NumPy类型）在’[0, 255]‘或’[0, 1]之间，数据类型为float或int。而‘Tensor’数据类型和范围可能不同，因此在转换的同时需要做一些处理

• 便于后续操作：

  • NumPy 提供了丰富的数组操作功能，如裁剪、变换、过滤等，这些操作在图像处理和可视化中非常常见。将 Tensor 转换为 NumPy 数组后，可以更方便地进行这些操作。

• 常规处理操作

  • 预处理：

    • 将张量移动到CPU上，因为NumPy支持CPU
    • 如果需要后使张量仍在GPU上操作，可以对Tensor创建副本，使得副本移动到CPU
    • 将张量从计算图中分离（detach），相当于是变成了一个标量，避免影响反向传播计算梯度，因为Numpy不支持梯度计算

  • 转换

    • 需要在转换过程中去除数组中的单维度 例如，如果数组的形状是 (1, 3, 224, 224)（批量大小为1），squeeze() 将其变为 (3, 224, 224)。这一步适用于去除可能的单通道维度。

  • 后处理

    • 将数组轴序调整为（h， w,  c).
    • 将数组像素值限制在[0, 1]之间，必须是[0,1]，因为在数据增强、归一化在传递数据时统一

• 示例

• def im_convert(tensor):
      image = tensor.to('cpu').clone().deatch()  # 转移到cpu创建副本脱离
      image = image.numpy().squeeze()  # 转换为张量并压缩为3维数组
      image = image.tanspose(1, 2, 0)  # 通道调序
      image = iamge.clip(0, 1)  # 限制范围
  
  # 可视化过程(可忽略）
  fig = plt.figure(figsize=(20, 12))  #创建图形窗口，图形尺寸时20x12
  dataset = function/class('yourdata-path')  # 根据你的数据路径获取数据集
  dataloader = torch.utils.data.DataLoader  # 获取数据加载器
     (dataset = dataset,
      batch_size = 8,
      shuffle = False,
      num_workers = 0)
  dataiter = iter(dataloader)  # 获取数据迭代器，是由数据加载器转换而来
  inputs, classes = next(dataiter)  # 从iter中获取一个批次数据
  
  columns = 4
  rows = 2  # 定义4*2网格
  
  for idx in range (columns*rows):
      ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[]) 
  #创建一个子图，idx + 1 是子图的索引（从 1 开始），隐藏x，y刻度
      ax.set_title(num_to_class[int(classes[idx])])
  # 设置标题，num_to_class是我之前网络中定义的一个映射，将类别索引转化为类别名称，classes是由迭代器产生的
      plt.imshow(im_convert(inputs[idx]))
  # 将Tensor转变为NumPy，inputs是包含多张图像的张量，idx是循环参数
  plt.imshow()