深度学习框架入门（更新中）

学习记录：👇

关于图像处理

图片有不同的输入格式：

（1）PIL image

（2）tensor image：

        ·单独的tensor image的形状：(C, H, W)。【C：channel数，H：height ，W：width】

        ·一个batch的Tensor images的形状：(N, C, H, W)。【N：batch中图片的数量】

（3）Numpy image：(H,W,C)

torchvision库——transforms（对图片进行处理）

（有两种：torchvision.transforms，torchvision.transforms.v2（后者是升级版））

例：

import torchvision.transforms as transforms

1、torchvision库的torchvision.transforms.Compose()类

使用transforms.Compose(transforms)将多个transforms操作组合起来用

某某某=transforms.Compose([

            一些操作

            ])
例如：
transform_1 = transforms.Compose([
            transforms.RandomResizedCrop(参数),
            transforms.RandomHorizontalFlip(),
            transforms.ToTensor(),
            transforms.Normalize(参数)])

具体的transforms操作有很多种：
（1）transforms.RandomResizedCrop()：裁剪图像的随机部分，并将其调整为给定大小

包含的参数：

 ·size：裁剪输出的尺寸。如果尺寸是一个 int 而不是序列（h, w），则会输出一个正方形尺寸（int, int）

·scale：scale=(0.5, 1.0)裁剪随机区域的上下限最少是图片的50%（面积范围的图），最多是原始的整张图

·ratio：图片高宽比范围

·interpolation：缩放图片时使用的插值方法（估计图像中未知像素值）【包括：PIL.Image.NEAREST最近邻插值、PIL.Image.BILINEAR双线性插值、PIL.Image.BICUBIC双三次插值】

（2）transforms.RandomHorizontalFlip()：以给定概率随机水平翻转图像，默认值0.5

（3）transforms.ToTensor()

（4）transforms.Normalize()：用平均值和标准差对张量图像进行归一化处理。此变换不支持 PIL 图像，所以这步上面要进行transforms.ToTensor()操作

·给定 n 个通道的均值：（mean[1],...,mean[n]）和标准差：（std[1],...,std[n]），此变换将对输入张量的每个通道进行归一化处理，即输出[通道] = (输入[通道] - 均值[通道]) /标准差[通道] 

（5）transforms.Resize([h, w])：指定PILImage的高宽值

torchvision库——Datasets

1、datasets.ImageFolder

datasets.ImageFolder(root, transform)

·root：路径

·transform： 接收 PIL 图像，进行transform操作，返回操作后的图像

torch.utils.data.random_split(dataset, lengths)

#随手记：
·（python）

 __getitem__ 方法允许对象使用索引（如列表或字典）来访问其元素

 __len__ 方法允许对象使用 len() 函数来获取其长度

class MyList:  
    def __init__(self, data):  
        self.data = data  
  
    def __getitem__(self, index):  
        return self.data[index]  
  
    def __len__(self):  
        return len(self.data)  
  
my_list = MyList([1, 2, 3, 4])  

print(my_list[1])  # 输出: 2
print(len(my_list))  # 输出: 4

·os.path

os.path.join

import os
path = os.path.join('dir1', 'dir2', 'file.txt')  
print(path)  # 'dir1/dir2/file.txt' 或 'dir1\dir2\file.txt'

参考：Page Redirection