pytorch实战 -- 数据加载和处理

最新推荐文章于 2024-05-27 20:24:37 发布

python收藏家

最新推荐文章于 2024-05-27 20:24:37 发布

阅读量424

点赞数

文章标签： pytorch python 深度学习

本文链接：https://blog.csdn.net/qq_42034590/article/details/130295081

版权

Pytorch提供了许多工具来简化和希望数据加载，使代码更具可读性。这里将专门讲述transforms数据预处理方法，即数据增强。
数据增强又称为数据增广、数据扩增，它是对训练集进行变换，使训练集更丰富，从而让模型更具泛化能力。

# 在进行下面代码学习前需要安装torchvision==0.8.2
!pip install torchvision==0.8.2 --user

from PIL import Image
from torchvision import transforms as T
import torch as t

to_tensor = T.ToTensor()
to_pil = T.ToPILImage()
cat = Image.open('./cat.jpeg')

transforms——Crop

在这里插入图片描述

# torchvision.transforms.CenterCrop
transforms = T.Compose([T.Resize(224),T.CenterCrop(224),T.ToTensor()])  # Resize：缩放
cat_t = transforms(cat)  # 传入transforms中的数据是PIL数据，lena_t为tensor
cat_t.shape  # 3*224*224 ; 当T.CenterCrop()的参数大于T.Resize()的参数时，周围用0填充
to_pil(cat_t)

在这里插入图片描述

# torchvision.transforms.RandomCrop
transforms = T.Compose([T.Resize(224),T.RandomCrop(224, padding=(16, 64)),T.ToTensor()])  # Resize：缩放
cat_t = transforms(cat)  # 传入transforms中的数据是PIL数据，lena_t为tensor
cat_t.shape  # 3*224*224 ; 当T.CenterCrop()的参数大于T.Resize()的参数时，周围用0填充
to_pil(cat_t)

在这里插入图片描述

transforms——Flip

在这里插入图片描述

# torchvision.transforms.RandomHorizontalFlip
transforms = T.Compose([T.Resize(224),T.RandomHorizontalFlip(p=0.5),T.ToTensor()])  # Resize：缩放
cat_t = transforms(cat)  # 传入transforms中的数据是PIL数据，lena_t为tensor
cat_t.shape  # 3*224*224 ; 当T.CenterCrop()的参数大于T.Resize()的参数时，周围用0填充
to_pil(cat_t)

在这里插入图片描述

# torchvision.transforms.RandomRotation
transforms = T.Compose([T.Resize(224),T.RandomRotation(30, center=(0, 0), expand=True),T.ToTensor()])  # Resize：缩放
cat_t = transforms(cat)  # 传入transforms中的数据是PIL数据，lena_t为tensor
cat_t.shape  # 3*224*224 ; 当T.CenterCrop()的参数大于T.Resize()的参数时，周围用0填充
to_pil(cat_t)

在这里插入图片描述

图像变换

在这里插入图片描述

transforms的操作

在这里插入图片描述

自定义transforms

自定义transforms要素：

仅接收一个参数，返回一个参数
注意上下游的输出与输入

class Compose(object):
    def __call__(self, img):
        for t in transforms:
            img = t(img)
        return img

通过类实现多参数传入：

class YourTransforms(object):
    def __init__(self, transforms):
        self.transforms = transforms
    def __call__(self, img):
        for t in self.transforms:
            img = t(img)
        return img

椒盐噪声又称为脉冲噪声，是一种随机出现的白点或者黑点，白点称为盐噪声，黑色为椒噪声。
信噪比（Signal-Noise Rate，SNR）是衡量噪声的比例，图像中为图像像素的占比。

class AddPepperNoise(object):
    def __init__(self, snr, p):
        self.snr = snr
        self.p = p
    def __call__(self, img):
        # 添加椒盐噪声具体实现过程
        img = None
        return img