5、边界填充 transforms.Pad(padding, fill=0, padding_mode=‘edge‘)

transforms.Pad(padding, fill=0, padding_mode='edge')
padding:列表,元素个数为124
fill:int-单值 or (r,g,b)
padding_mode:填充方式
“constant”:利用常值进行填充
“edge”:利用图像边缘像素点进行填充
“reflect”:利用反射的方式进行填充[1, 2, 3, 4][3, 2, 1, 2, 3, 4, 3, 2]
“symmetric”:对称填充方法[1, 2, 3, 4] 》》[2, 1, 1, 2, 3, 4, 4, 3]
import torchvision.transforms as transform
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
import torch
img0=Image.open('lin-xiao-xun-000003.jpg')
img1=transform.Pad([105,105],fill=(0,125,5),padding_mode='constant')(img0)
img2=transform.Pad([105,105],fill=(0,125,5),padding_mode='edge')(img0)
img3=transform.Pad([105,105],fill=(0,125,5),padding_mode='reflect')(img0)
img4=transform.Pad([105,105],fill=(0,125,5),padding_mode='symmetric')(img0)
axs = plt.figure().subplots(1, 5)
axs[0].imshow(img0);axs[0].set_title('src');axs[0].axis('off')
axs[1].imshow(img1);axs[1].set_title('constant');axs[1].axis('off')
axs[2].imshow(img2);axs[2].set_title('edge');axs[2].axis('off')
axs[3].imshow(img3);axs[3].set_title('reflect');axs[3].axis('off')
axs[4].imshow(img4);axs[4].set_title('symmetric');axs[4].axis('off')
plt.show()

实图演示:
在这里插入图片描述

  • 3
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这段代码用于加载数据集并进行数据预处理。让我逐行解读这些代码: ```python transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) ``` - `transform_train` 是一个数据预处理的操作序列,使用 `transforms.Compose` 将多个预处理操作组合在一起。 - `transforms.RandomCrop(32, padding=4)` 对图像进行随机裁剪,裁剪的大小为32x32,并在周围填充4个像素。 - `transforms.RandomHorizontalFlip()` 对图像进行随机水平翻转。 - `transforms.ToTensor()` 将图像转换为张量(Tensor)形式。 - `transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])` 对图像进行标准化处理,通过减去均值和除以标准差来将像素值归一化。 ```python transform_test = transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) ``` - `transform_test` 是用于测试集的数据预处理操作序列,与 `transform_train` 相似,但没有进行随机裁剪和翻转。 ```python trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train) trainloader = torch.utils.data.DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2) ``` - `trainset` 是使用 CIFAR10 数据集对象的训练集,通过传入参数 `root='./data'` 指定数据集的根目录,`train=True` 表示加载训练集数据,`download=True` 表示如果数据集不存在则下载数据集,`transform=transform_train` 表示对训练集应用之前定义的 `transform_train` 进行数据预处理。 - `trainloader` 是一个用于训练的数据加载器(DataLoader),通过传入参数 `trainset` 表示加载 `trainset` 数据集,`batch_size=128` 表示每次加载的批次大小为128,`shuffle=True` 表示每个 epoch 都会对数据进行洗牌以增加随机性,`num_workers=2` 表示使用2个线程来加载数据。 ```python testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test) testloader = torch.utils.data.DataLoader(testset, batch_size=128, shuffle=False, num_workers=2) ``` - `testset` 是使用 CIFAR10 数据集对象的测试集,通过传入参数 `train=False` 表示加载测试集数据,其他参数的含义与训练集类似。 - `testloader` 是一个用于测试的数据加载器(DataLoader),通过传入参数 `testset` 表示加载 `testset` 数据集,其他参数的含义与训练集类似。 以上代码段加载了 CIFAR10 数据集,并对训练集和测试集进行了数据预处理,然后创建了对应的数据加载器,以便在训练和测试过程中使用。

“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

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