cv2.imread读取图像结果none_PyTorch 42.图像操作

本文转载自：

知乎用户​www.zhihu.com

1. 读取训练集

pytorch读取训练集是非常便捷的，只需要使用到2个类：

（1）torch.utils.data.Dataset

（2）torch.utils.data.DataLoader

常用数据集的读取

1、torchvision.datasets的使用

对于常用数据集，可以使用torchvision.datasets直接进行读取。torchvision.dataset是torch.utils.data.Dataset的实现

该包提供了以下数据集的读取

• MNIST
• COCO (Captioning and Detection)
• LSUN Classification
• ImageFolder
• Imagenet-12
• CIFAR10 and CIFAR100
• STL10

下面以cifar10为例：

import 

2、实例化torch.utils.data.DataLoader

mytransform 

下面就可以进行读取数据的显示，以进行简单测试是否读取成功：

for 

注意这里的transforms.ToTensor()函数：

• 将numpy的ndarray或PIL.Image读的图片转换成形状为(C,H,W)的Tensor格式，且/255归一化到[0,1.0]之间。
• 通道的具体顺序与cv2读的还是PIL.Image读的图片有关系：
  cv2:(B,G,R)
  PIL.Image:(R,G,B)

import 

输出结果 :

自定义标签数据集的读取

1、实现torch.utils.data.Dataset

假设我们有一个标签test_images.txt，内容如下：

对应的图像位于images目录下。

首先要继承torch.utils.data.Dataset类，完成图像及标签的读取。

import 

2、实例化torch.utils.data.DataLoader

mytransform 

---

2. 图像基本操作

为了方便进行数据的操作，pytorch团队提供了一个torchvision.transforms包，我们可以用transforms进行以下操作：

• PIL.Image/numpy.ndarray与Tensor的相互转化；
• 归一化；
• 对PIL.Image进行裁剪、缩放等操作。

通常，在使用torchvision.transforms，我们通常使用transforms.Compose将transforms组合在一起。

PIL.Image/numpy.ndarray与Tensor的相互转换

PIL.Image/numpy.ndarray转化为Tensor，常常用在训练模型阶段的数据读取，而Tensor转化为PIL.Image/numpy.ndarray则用在验证模型阶段的数据输出。

我们可以使用 transforms.ToTensor() 将 PIL.Image/numpy.ndarray 数据转化为torch.FloadTensor，并归一化到[0, 1.0]：

• 取值范围为[0, 255]的PIL.Image，转换成形状为[C, H, W]，取值范围是[0, 1.0]的torch.FloadTensor。
• 形状为[H, W, C]的numpy.ndarray，转换成形状为[C, H, W]，取值范围是[0, 1.0]的torch.FloadTensor。

而transforms.ToPILImage则是将Tensor转化为PIL.Image。如果，我们要将Tensor转化为numpy，只需要使用 .numpy() 即可。如下：

img_path 

转化方法

归一化

归一化对神经网络的训练是非常重要的，那么我们如何归一化到[-1.0, -1.0]呢？只需要将上面的transform1改为如下所示：

transform2 

（1）transforms.Compose就是将transforms组合在一起；

（2）transforms.Normalize使用如下公式进行归一化：

channel=（channel-mean）/std

这样一来，我们的数据中的每个值就变成了[-1,1]的数了。

PIL.Image的缩放裁剪等操作

此外，transforms还提供了裁剪，缩放等操作，以便进行数据增强。下面就看一个随机裁剪的例子，这个例子中，仍然使用 Compose 将 transforms 组合在一起，如下：

# transforms.RandomCrop()

---

3. 模型的搭建保存加载

使用pytorch进行网络模型的搭建、保存与加载，是非常快速、方便的、妙不可言的。

搭建ConvNet

所有的网络都要继承torch.nn.Module，然后在构造函数中使用torch.nn中的提供的接口定义layer的属性，最后，在forward函数中将各个layer连接起来。

下面，以LeNet为例：

class 

这样一来，我们就搭建好了网络模型，是不是很简洁明了呢？此外，还可以使用torch.nn.Sequential，更方便进行模块化的定义，如下：

class 

Module有很多属性，可以查看权重、参数等等；如下：

net 

那么，如何进行参数初始化呢？使用 torch.nn.init ，如下：

def 

保存ConvNet

使用torch.save()对网络结构和模型参数的保存，有两种保存方式：

• 保存整个神经网络的的结构信息和模型参数信息，save的对象是网络net；
• 保存神经网络的训练模型参数，save的对象是net.state_dict()。

torch

加载ConvNet

对应上面两种保存方式，重载方式也有两种。

• 对应第一种完整网络结构信息，重载的时候通过torch.load(‘.pth’)直接初始化新的神经网络对象即可。
• 对应第二种只保存模型参数信息，需要首先导入对应的网络，通过net.load_state_dict(torch.load('.pth'))完成模型参数的重载。

在网络比较大的时候，第一种方法会花费较多的时间，所占的存储空间也比较大。

# 保存和加载整个模型