【pytorch笔记】第四篇 Transforms使用

最新推荐文章于 2024-06-11 02:26:36 发布
最新推荐文章于 2024-06-11 02:26:36 发布
阅读量633 收藏 3
点赞数
分类专栏： pytorch笔记 文章标签： pytorch
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/qq_35793394/article/details/127750061
版权

1. Transforms用途

① Transforms当成工具箱的话，里面的class就是不同的工具。例如像totensor、resize这些工具。

② Transforms拿一些特定格式的图片，经过Transforms里面的工具，获得我们想要的结果。

2. Transforms该如何使用

2.1 transforms.Totensor使用

from torchvision import transforms
from PIL import Image


img_path = "Data/FirstTypeData/val/bees/10870992_eebeeb3a12.jpg"
img = Image.open(img_path)  

tensor_trans = transforms.ToTensor()  # 创建 transforms.ToTensor类 的实例化对象
tensor_img = tensor_trans(img)  # 调用 transforms.ToTensor类 的__call__的魔术方法   
print(tensor_img)

tensor([[[0.5725, 0.5725, 0.5725,  ..., 0.5686, 0.5725, 0.5765],
         [0.5725, 0.5725, 0.5725,  ..., 0.5686, 0.5725, 0.5765],
         [0.5686, 0.5686, 0.5725,  ..., 0.5686, 0.5725, 0.5765],
         ...,
         [0.5490, 0.5647, 0.5725,  ..., 0.6314, 0.6235, 0.6118],
         [0.5608, 0.5765, 0.5843,  ..., 0.5961, 0.5843, 0.5765],
         [0.5725, 0.5843, 0.5922,  ..., 0.5647, 0.5529, 0.5490]],

        [[0.4471, 0.4471, 0.4471,  ..., 0.4235, 0.4275, 0.4314],
         [0.4471, 0.4471, 0.4471,  ..., 0.4235, 0.4275, 0.4314],
         [0.4431, 0.4431, 0.4471,  ..., 0.4235, 0.4275, 0.4314],
         ...,
         [0.4000, 0.4157, 0.4235,  ..., 0.4706, 0.4627, 0.4510],
         [0.4118, 0.4275, 0.4353,  ..., 0.4431, 0.4314, 0.4235],
         [0.4235, 0.4353, 0.4431,  ..., 0.4118, 0.4000, 0.3961]],

        [[0.2471, 0.2471, 0.2471,  ..., 0.2588, 0.2627, 0.2667],
         [0.2471, 0.2471, 0.2471,  ..., 0.2588, 0.2627, 0.2667],
         [0.2431, 0.2431, 0.2471,  ..., 0.2588, 0.2627, 0.2667],
         ...,
         [0.2157, 0.2314, 0.2392,  ..., 0.2510, 0.2431, 0.2314],
         [0.2275, 0.2431, 0.2510,  ..., 0.2196, 0.2078, 0.2000],
         [0.2392, 0.2510, 0.2588,  ..., 0.1961, 0.1843, 0.1804]]])

2.2 需要Tensor数据类型原因

① Tensor有一些属性，比如反向传播、梯度等属性，它包装了神经网络需要的一些属性。

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
import cv2

img_path = "Data/FirstTypeData/val/bees/10870992_eebeeb3a12.jpg"
img = Image.open(img_path)

writer = SummaryWriter("logs") 

tensor_trans = transforms.ToTensor() 
tensor_img = tensor_trans(img)  

writer.add_image("Temsor_img",tensor_img) 
writer.close()

② 在 Anaconda 终端里面，激活py3.6.3环境，再输入 tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs 命令，将网址赋值浏览器的网址栏，回车，即可查看tensorboard显示日志情况。
在这里插入图片描述

③ 输入网址可得Tensorboard界面。
在这里插入图片描述

3. 常见的Transforms工具

① Transforms的工具主要关注他的输入、输出、作用。

3.1 __call__魔术方法使用

class Person:
    def __call__(self,name):
        print("__call__ "+"Hello "+name)
        
    def hello(self,name):
        print("hello "+name)
        
person = Person()  # 实例化对象
person("zhangsan") # 调用__call__魔术方法
person.hello("list") # 调用hello方法

__call__ Hello zhangsan
hello list

3.2 Normanize归一化

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
import cv2

img_path = "Data/FirstTypeData/val/bees/10870992_eebeeb3a12.jpg"
img = Image.open(img_path)

writer = SummaryWriter("logs") 


tensor_trans = transforms.ToTensor() 
img_tensor = tensor_trans(img)  

print(img_tensor[0][0][0])
tensor_norm = transforms.Normalize([0.5,0.5,0.5],[0.5,0.5,0.5]) #input[channel]=(input[chnnel]-mean[channel])/std[channel]            
img_norm = tensor_norm(img_tensor)  
print(img_norm[0][0][0])

writer.add_image("img_tensor",img_tensor) 
writer.add_image("img_norm",img_norm) 
writer.close()

tensor(0.5725)
tensor(0.1451)

3.3 Resize裁剪

3.3.1 Resize裁剪方法一

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
import cv2

img_path = "Data/FirstTypeData/val/bees/10870992_eebeeb3a12.jpg"
img = Image.open(img_path)
print(img)  # PIL类型的图片原始比例为 500×464

writer = SummaryWriter("logs") 

trans_totensor = transforms.ToTensor() 
img_tensor = trans_totensor(img)  

trans_resize = transforms.Resize((512,512))
# PIL数据类型的 img -> resize -> PIL数据类型的 img_resize
img_resize = trans_resize(img)
# PIL 数据类型的 PIL -> totensor -> img_resize tensor
img_resize = trans_totensor(img_resize)
print(img_resize.size()) # PIL类型的图片原始比例为 3×512×512，3通道

writer.add_image("img_tensor",img_tensor) 
writer.add_image("img_resize",img_resize) 
writer.close()

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x464 at 0x2C25DF0B320>
torch.Size([3, 512, 512])

在这里插入图片描述

3.3.2 Resize裁剪方法二

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
import cv2

img_path = "Data/FirstTypeData/val/bees/10870992_eebeeb3a12.jpg"
img = Image.open(img_path)
print(img)

writer = SummaryWriter("logs") 

tensor_trans = transforms.ToTensor() 
img_tensor = tensor_trans(img)  

# Resize 第二种方式：等比缩放
trans_resize_2 = transforms.Resize(512) # 512/464 = 1.103 551/500 = 1.102
# PIL类型的 Image -> resize -> PIL类型的 Image -> totensor -> tensor类型的 Image
trans_compose = transforms.Compose([trans_resize_2, trans_totensor]) # Compose函数中后面一个参数的输入为前面一个参数的输出   
img_resize_2 = trans_compose(img)
print(img_resize_2.size()) 
writer.add_image("img_tensor",img_tensor) 
writer.add_image("img_resize_2",img_resize_2) 
writer.close()

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x464 at 0x2C25DF0B6D8>
torch.Size([3, 512, 551])

在这里插入图片描述

3.4 RandomCrop随即裁剪

3.4.1 RandomCrop随即裁剪方式一

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
import cv2

img_path = "Data/FirstTypeData/val/bees/10870992_eebeeb3a12.jpg"
img = Image.open(img_path)
print(img)

writer = SummaryWriter("logs") 

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

trans_random = transforms.RandomCrop(312) # 随即裁剪成 312×312 的
trans_compose_2 = transforms.Compose([trans_random,tensor_trans])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop",img_crop,i) 
    print(img_crop.size()) 

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x464 at 0x2C25DF0BAC8>
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])
torch.Size([3, 312, 312])

在这里插入图片描述

3.4.2 RandomCrop随即裁剪方式二

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
import cv2

img_path = "Data/FirstTypeData/val/bees/10870992_eebeeb3a12.jpg"
img = Image.open(img_path)

print(img)

writer = SummaryWriter("logs") 

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

trans_random = transforms.RandomCrop((312,100))  # 指定随即裁剪的宽和高       
trans_compose_2 = transforms.Compose([trans_random,tensor_trans])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop",img_crop,i) 
    print(img_crop.size()) 

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x464 at 0x2C25DF1B390>
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])
torch.Size([3, 312, 100])

在这里插入图片描述

青鸠
关注
专栏目录
系统学习Pytorch笔记三：Pytorch数据读取机制(DataLoader)与图像预处理模块(transforms)
Miracle8070
04-17 6万+
Pytorch官方英文文档：https://pytorch.org/docs/stable/torch.html? Pytorch中文文档：https://pytorch-cn.readthedocs.io/zh/latest/ 1. 写在前面 疫情在家的这段时间，想系统的学习一遍Pytorch基础知识，因为我发现虽然直接Pytorch实战上手比较快，但是关于一些内部的原理知识其实并不是太懂，这样...
深入浅出pytorch笔记——第三章，第四章
weixin_47210479的博客
07-14 1559
基于FMN时装数据集进行分类实战演练来学习pytorch
小土堆：Pytorch深度学习：Transforms的使用
Brightyang666的博客
06-08 527
在数学上，张量是一个可以表示在一些向量，标量和其他张量之间的线性关系的多线性函数。但在机器学习（特别是在深度学习）中，当我们谈到“张量”，我们通常是在谈论一个多维数组。Transforms主要是用于图片的转换等一系列预处理操作，例如数据中心化，缩放，裁剪，旋转，翻转，填充，添加噪声，灰度变换，线性变换，仿射变换，亮度，饱和度，对比变换等。原因2：学习Pytorch深度学习，必不可少的就是学习神经网络，而Tensor数据类型正是满足神经网络的一种数据类型。第二个问题：2.为什么需要tensor数据类型？
Transforms在pytorch中的一些使用
gldzkjdxwzs的博客
09-18 566
Pytorch、Transforms
PyTorch快速入门教程【小土堆】-Transforms的使用
weixin_42182290的博客
05-02 1499
常用的transforms
Pytorch学习（3）transforms的使用
Wingsang的博客
10-23 258
Pytorch学习（3）transforms的使用
（一）transforms的使用
weixin_69398563的博客
08-11 669
（一）transforms的使用
PyTorch学习笔记——图像处理（transforms）
一个小白
10-03 9667
PyTorch学习笔记——图像处理（transforms） 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 图像处理、转不同格式显示 transforms.ToTensor(), # range [0, 255...
PyTorch 笔记 (四)
TBAALi的博客
03-29 1564
import pandas as pd import torch import torch.nn as nn import numpy as np from torch.autograd import Variable from torch.utils.data import Dataset, DataLoader from torch import optim from torchvision import datasets, transforms from torch.utils.data.datalo
PyTorch学习笔记（二）图像数据增强
longrootchen的博客
04-14 1561
本文记录了使用 torchvision.transforms 中的类实现图像数据预处理的方法。
Transforms的结构和用法
m0_51816252的博客
05-30 1274
Transforms主要是对图片进行一些变换，一般用于数据预处理，数据在读取到pytorch之后通常都需要对数据进行预处理，包括尺寸缩放、转换张量、数据中心化或标准化等等，这些操作都是通过transforms进行的。...
Transforms在Pytorch中的使用（Pycharm）
2303_79419613的博客
04-26 977
在PyTorch中，transform的作用主要是进行数据预处理和增强。这对于深度学习模型的训练非常重要，因为模型的性能很大程度上依赖于输入数据的质量和格式。transform提供了一系列的工具，使得数据可以在加载到模型之前被适当地转换和标准化。这些转换可能包括但不限于：_ 3. 标准化：_通过标准化处理（Normalize），可以将图像数据的每个通道的像素值缩放到给定的均值和标准差，这有助于模型的收敛和提高训练稳定性。_ 4. 数据增强：通过随机的图像转换（如随机裁剪、旋转、翻转等），可以人为地增加数据集
Transforms的使用
qq_40127785的博客
05-18 502
transforms的使用 torchvision和 torchaudio torchvision是pytorch的一个图形库，它服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。以下是torchvision的构成： torchvision.datasets: 一些加载数据的函数及常用的数据集接口；常用数据集的dataset实现，MNIST，CIFAR-10，ImageNet等； torchvision.models: 模型预训练，包含常用的模型结构（含预训练模型），例如AlexNet
Transforms的用法
weixin_43485035的博客
05-14 216
Transforms python用法 from torchvision import transforms from PIL import Image # transform的使用 img_path = "dataset/train/anst/1111.jpg" img = Image.open(img_path) print(img) tensor_trans = transforms.ToTersor() tensor_img = tensor_trans(img) ...
【深度之眼】Pytorch框架班第五期-transforms运行机制的代码调试
Zero_run的博客
09-04 210
torchvision.transforms 常用的图像预处理方法 # ============================ step 1/5 数据 ============================ split_dir = os.path.join(BASE_DIR, "..", "..", "data", "rmb_split") if not os.path.exists(split_dir): raise Exception(r"数据 {} 不存在, 回到lesson-06\1_s
transforms常用功能函数
qq_42806080的博客
01-24 2310
1. Compose（） 功能作用： 将不同的transforms结合在一起，先进行第一个transform变换，后进行第二个transforms变换 用法： Compose中的参数需要是一个列表。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([transform参数1，transforms参数2，……]) trans_compose = transforms.Compose([trans_resize_2, t
3.Transforms的使用（一）
qq_21506765的博客
06-12 274
pytorch学习笔记
9.Transforms的使用（一）（二）
最新发布
shencanggang的博客
06-11 731
可以理解为，transforms.py是一个工具箱，里面有很多工具，像ToTensor/Resize等，可以将这些工具看成模板，利用这些模板来创建我们需要的工具，根据这些工具的使用方法，输入数据，输出结果。Tensor 数据类型包装了反向神经网络所需要的一些理论基础的参数**，如：_backward_hooks、_grad等**（先转换成Tensor数据类型，再训练）从transforms中选择一个class，首先对它创建，根据创建的工具知道需要什么东西，返回出结果。（1）transforms该如何使用；
pytorch学习(Transforms的使用)（三）
qq_36797469的博客
01-19 841
transforms主要用于图片的一些变换。 transforms指的是transforms.py文件，里面有很多class，每个class为一个图片处理工具。 transforms的工具有totensor,resize等等。 # 例如：将图片转化为tensor from PIL import Image from torchvision import transforms img_path = "dataset/train/ants/0013035.jpg" img = Image
土堆pytorch笔记
09-10
您可以通过访问链接https://pan.baidu.com/s/1-ZePujIeVjeZeCdq7Xek0Q并输入提取码4vse来获取完整的土堆PyTorch笔记。在这份笔记中，您可以找到关于PyTorch的使用指南、Jupyter Notebook的安装方法以及使用示例代码...
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