小土堆pytorch教程学习笔记P12P13

已于 2022-04-17 11:18:14 修改
阅读量1.3k 收藏 2
点赞数
分类专栏： 小土堆pytorch教程学习笔记 文章标签： pytorch
于 2022-03-29 19:48:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kchenlyee/article/details/123828701
版权

P12.常见的Transforms（一）

1.

输入

输出

作用

PIL         Image.open()

tensor         ToTensor()

narrays         cv.imread()

2.在项目文件夹中存储一张图片

from PIL import Image

img = Image.open("images/e56420e50cbfef3191ed95d0920b0a9e.jpeg")
print(img)

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=900x506 at 0x7FC1526E1630> 

Python中_call_的用法

class Person:
    def __call__(self, name):
        print("__call__"+" Hello " + name)

    def hello(self, name):
        print("hello" + name)


person = Person()
person("zhangsan") #调用__call__
person.hello("lisi") #调用hello()方法

__call__ Hello zhangsan
hellolisi 

3.ToTensor()的使用

class ToTensor(object):
"""Convert a ``PIL Image`` or ``numpy.ndarray`` to tensor.
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("images/e56420e50cbfef3191ed95d0920b0a9e.jpeg")
print(img)

trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)
writer.close()

tensorboard --logdir=logs

4.Normalize()的使用

class Normalize(object):
    """Normalize a tensor image with mean and standard deviation.
    Given mean: ``(M1,...,Mn)`` and std: ``(S1,..,Sn)`` for ``n`` channels, this transform will normalize each channel of the input ``torch.*Tensor`` i.e.
    ``input[channel] = (input[channel] - mean[channel]) / std[channel]``
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("images/e56420e50cbfef3191ed95d0920b0a9e.jpeg")
print(img)

# ToTensor
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)


# Normalize
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm)

writer.close()

# 0.0039*2-1=-0.6662
tensor(0.0039)
tensor(-0.6662)

P13.常见的Transforms（二）

1.Resize()的使用

class Resize(object):
    """Resize the input PIL Image to the given size. #输入是PILImage

    Args:
        size (sequence or int): Desired output size. If size is a sequence like (h, w), output size will be matched to this. If size is an int,smaller edge of the image will be matched to this number.
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("images/e56420e50cbfef3191ed95d0920b0a9e.jpeg")
print(img)

# ToTensor
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)


# Normalize
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm)

# Resize
print(img.size)
trans_resize = transforms.Resize((512, 512))
# img PIL -> resize -> img_resize PIL
img_resize = trans_resize(img)
# img_resize PIL -> totensor -> img_resize tensor
img_resize = trans_totensor(img_resize)
writer.add_image("Resize", img_resize, 0)
print(img_resize)

writer.close()

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=900x506 at 0x7F1E8BFBF7F0>
tensor(0.0039)
tensor(-0.9922)
(900, 506)
tensor([[[0.0039, 0.0039, 0.0039,  ..., 0.0784, 0.1569, 0.1843],
         [0.0039, 0.0039, 0.0039,  ..., 0.1804, 0.2118, 0.2353],
         [0.0039, 0.0039, 0.0039,  ..., 0.2471, 0.2863, 0.3098],
         ...,
         [0.0078, 0.0078, 0.0078,  ..., 0.0078, 0.0078, 0.0078],
         [0.0078, 0.0078, 0.0078,  ..., 0.0078, 0.0078, 0.0078],
         [0.0078, 0.0078, 0.0078,  ..., 0.0078, 0.0078, 0.0078]],

        [[0.0078, 0.0078, 0.0039,  ..., 0.3098, 0.6157, 0.6431],
         [0.0078, 0.0078, 0.0039,  ..., 0.4196, 0.6353, 0.6588],
         [0.0078, 0.0078, 0.0039,  ..., 0.5098, 0.6588, 0.6824],
         ...,
         [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

        [[0.0000, 0.0000, 0.0000,  ..., 0.2902, 0.5098, 0.5373],
         [0.0000, 0.0000, 0.0000,  ..., 0.3961, 0.5412, 0.5647],
         [0.0000, 0.0000, 0.0000,  ..., 0.4784, 0.5882, 0.6118],
         ...,
         [0.0118, 0.0118, 0.0118,  ..., 0.0118, 0.0118, 0.0118],
         [0.0118, 0.0118, 0.0118,  ..., 0.0118, 0.0118, 0.0118],
         [0.0118, 0.0118, 0.0118,  ..., 0.0118, 0.0118, 0.0118]]])

tensorboard --logdir=logs

2.Compose()的使用

class Compose(object):
    """Composes several transforms together. #将几个transforms结合在一起

    Args:
        transforms (list of ``Transform`` objects): list of transforms to compose.

    Example:
        >>> transforms.Compose([
        >>>     transforms.CenterCrop(10), #中心裁剪
        >>>     transforms.ToTensor(), #转换为tensor数据类型
        >>> ])
    """

Compose()中的参数需要的是一个列表

Python中，列表的表示形式为[数据1， 数据2， ...]。在Compose中，数据需要是transforms类型，所以得到Compose([transforms参数1, transforms参数2])

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("images/e56420e50cbfef3191ed95d0920b0a9e.jpeg")
print(img)

# ToTensor
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)


# Normalize
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm)

# Resize
print(img.size)
trans_resize = transforms.Resize((512, 512))
# img PIL -> resize -> img_resize PIL
img_resize = trans_resize(img)
# img_resize PIL -> totensor -> img_resize tensor
img_resize = trans_totensor(img_resize)
writer.add_image("Resize", img_resize, 0)
print(img_resize)

# Compose -resize - 2
trans_resize_2 = transforms.Resize(512)
# PIL -> PIL -> tensor
trans_compose = transforms.Compose([trans_resize_2, trans_totensor]) #trans_resize_2 output = trans_totensor input
img_resize_2 = trans_compose(img)
writer.add_image("Resize", img_resize_2, 1)

writer.close()

tensorboard --logdir=logs

3.RandomCrop()的使用

class RandomCrop(object):
    """Crop the given PIL Image at a random location.

    Args:
        size (sequence or int): Desired output size of the crop. If size is an int instead of sequence like (h, w), a square crop (size, size) is made.
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("images/e56420e50cbfef3191ed95d0920b0a9e.jpeg")
print(img)

# ToTensor
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)


# Normalize
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm)

# Resize
print(img.size)
trans_resize = transforms.Resize((512, 512))
# img PIL -> resize -> img_resize PIL
img_resize = trans_resize(img)
# img_resize PIL -> totensor -> img_resize tensor
img_resize = trans_totensor(img_resize)
writer.add_image("Resize", img_resize, 0)
print(img_resize)

# Compose -resize - 2
trans_resize_2 = transforms.Resize(512)
# PIL -> PIL -> tensor
trans_compose = transforms.Compose([trans_resize_2, trans_totensor]) #trans_resize_2 output = trans_totensor input
img_resize_2 = trans_compose(img)
writer.add_image("Resize", img_resize_2, 1)

# RandomCrop
trans_random = transforms.RandomCrop(256)
trans_compose_2 = transforms.Compose([trans_random, trans_totensor])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop", img_crop, i)

writer.close()

tensorboard --logdir=logs

总结使用方法

1）关注输入和输出类型

若输出类型未知，可使用print()，print(type())直接查看，也可以设置断点debug

2）多看官方文档

3）关注方法需要什么参数

在init初始化中查看需要设置的参数，在Args查看具体的数据类型

Happy_Cabbage
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据导入的小知识
Z609834342的博客
10-15 411
1.transforms #第一步tansforms.Compose([]) class Compose(object): """Composes several transforms together. Args: transforms (list of ``Transform`` objects): list of transforms to compose. Example: >>> transforms.Compos
Pytorch之深入torchvision.transforms.ToTensor与ToPILImage
qq_37385726的博客
08-18 2万+
目录 torchvision.transforms.ToTensor torchvision.transforms.ToPILImage torchvision.transforms.ToTensor 对于一个图片img，调用ToTensor转化成张量的形式，发生的不是将图片的RGB三维信道矩阵变成tensor 图片在内存中以bytes的形式存储，转化过程的步骤是： img.to...
【记录】数据处理方法总结及实现
weixin_40620310的博客
09-15 525
数据增强作为前处理的关键步骤，在整个计算机视觉中有着具足轻重的地位；数据增强往往是决定数据集质量的关键，主要用于数据增广，在基于深度学习的任务中，数据的多样性和数量往往能够决定模型的上限；本次记录主要是对数据增强中一些方法的源码实现；
PyTorch源码解析--torchvision.transforms（数据预处理、数据增强）
对角巷
01-04 1万+
PyTorch框架中有一个很常用的包：torchvision torchvision主要由3个子包构成：torchvision.datasets、torchvision.models、torchvision.transforms 详细内容可参考：http://pytorch.org/docs/master/torchvision/index.html GitHub：https://github.c...
【笔记】transforms.Normalize(（0.5，0.5，0.5），（0.5，0.5，0.5）)：mean，std
nyist_yangguang的博客
08-20 1450
class Normalize(torch.nn.Module): """Normalize a tensor image with mean and standard deviation. Given mean: ``(mean[1],...,mean[n])`` and std: ``(std[1],..,std[n])`` for ``n`` channels, this transform will normalize each channel of the input...
深度学习 Pytorch 小土堆笔记
02-02
小土堆Pytorch笔记
Pytorch入门实战学习笔记
04-24
根据学习b站当中的pyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】 所做的一些笔记和代码整合。附上学习视频链接https://www.bilibili.com/video/BV1hE411t7RN?spm_id_from=333.337.search-card.all.click
Python-Pytorch入门学习笔记（小土堆视频）
02-20
Python pytorch学习笔记 ***from的是一个个的包（package)*** ***import 的是一个个的py文件(file.py)*** ***所使用的一般是文件中的类(.class)*** ***第一步实例化所使用的类,然后调用类中的方法（def)*** 包含...
pytorch学习笔记（一）
01-06
此为小弟pytorch的学习笔记，希望自己可以坚持下去。（2020/2/17） pytorch官方文档 pytorch中文教程 tensor tensor是pytorch的最基本数据类型，相当于numpy中的ndarray，并且属性和numpy相似，tensor可在GPU上进行...
机器学习 Pytorch 小土堆
最新发布
02-02
小土堆学习笔记
Transform使用，transforms.ToTensor()，Resize(),Compose()
AllenMa的博客
03-08 3322
normalize的作用：归一化 class Resize(object): """Resize the input PIL Image to the given size. Args: size (sequence or int): Desired output size. If size is a sequence like (h, w), output size will be matched to this. If siz...
常见的Transforms的使用方法
m0_51816252的博客
05-30 1388
transforms的使用要非常注意三点：输入——输出——作用 常见的图片格式有：PIL（使用Image.open()打开，python自带的）；tenso（使用ToTensor()打开）；narrays（使用cv.imread()打开）
PyTorch教程——小土堆笔记
weixin_53236432的博客
10-21 3224
PyTorch教程一小土堆笔记
PyTorch快速入门教程【小土堆】-Transforms的使用
weixin_42182290的博客
05-02 1431
常用的transforms
PyTorch_小土堆笔记(至p31）
weixin_52767839的博客
07-04 7186
用anaconda配置环境（python3.6为例）
torchvision.transforms用法介绍
qq_37211994的博客
04-19 1502
转载来自：https://www.jianshu.com/p/1ae863c1e66d pytorch源码解读之torchvision.transforms PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是：torchvision.datasets、torchvision.models、torchvision.transforms。这3个子包的具...
PyTorch源码解读之torchvision.transforms
热门推荐
AI之路
01-25 4万+
PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是：torchvision.datasets、torchvision.models、torchvision.transforms。这3个子包的具体介绍可以参考官网：http://pytorch.org/docs/master/torchvision/index.html。具体代码可以参考github：
Faster RCNN pytorch 代码详解
WaldoWu的博客
11-05 4286
Faster RCNN 原文 本文所搬运代码来源 一 数据处理部分 File1: dataset.py from __future__ import absolute_import from __future__ import division import torch as t from data.voc_dataset import VOCBboxDataset from skimag...
pytorch逆归一化
开飞机的小毛驴儿
02-16 4559
在pytorch框架下训练网络的时候，经常会使用transforms.Normalize(...)对输入图像进行归一化，但有时候也会面临这样的场景，需要逆归一化即把输出返回到特定范围，该如何实现呢？参考https://discuss.pytorch.org/t/simple-way-to-inverse-transform-normalization/4821，我写了一个针对单通道图像进行逆归一化...
小土堆pytorch学习笔记
09-27
根据提供的引用内容，小土堆是一位在B站上分享关于PyTorch深度学习的快速入门教程的博主。他的学习笔记和代码整合可以在视频链接...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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