torchvision自带的transforms.to_tensor用法

已于 2022-09-28 18:51:44 修改
阅读量910 收藏 1
点赞数 1
分类专栏： pytorch 文章标签： numpy python 深度学习
于 2022-09-28 18:49:04 首次发布
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/weixin_44290841/article/details/127094770
版权
本文详细介绍了如何使用PyTorch将PIL图像或numpy数组转换为Tensor，并解释了转换过程中图像数据的变化，包括通道顺序调整及归一化处理等关键步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

import torch
import torchvision.transforms as tf
import numpy as np
raw_input = np.ones((224,224,3),dtype=np.uint8)
tt_tf = tf.ToTensor()
# tt_tf = torch.as_tensor
output_ = tt_tf(raw_input)

官方解释：

Convert a PIL Image or numpy.ndarray to tensor：
Converts a PIL Image or numpy.ndarray (H x W x C) in the range [0, 255] to a torch.FloatTensor of shape (C x H x W) in the range [0.0, 1.0] if the PIL Image belongs to one of the modes (L, LA, P, I, F, RGB, YCbCr, RGBA, CMYK, 1) or if the numpy.ndarray has dtype = np.uint8.

In the other cases, tensors are returned without scaling.

通俗解释：

  1. 转换为torch.FloatTensor
  2. 将通道提前
  3. 可以将特定类型的图片或者uint8的ndarray归一化（除255），其他不做归一化

tip：如果想只是转换为tensor，不做其他改变，可以使用 torch.as_array()

torchvision.transforms.ToTensor（细节）对应caffe的转换
猫猫与橙子的博客
12-05 3559
目录 1）torchvision.transforms.ToTensor 2）pytorch的图像预处理和caffe中的图像预处理 写这篇文章的初衷，就是同事跑过来问我，pytorch对图像的预处理为什么和caffe的预处理存在差距，我也是第一次注意到这个问题； 1）torchvision.transforms.ToTensor 直接贴代码： 第一段代码： class ToTen...
【无标题】PyTorch学习笔记05
Morphine_的博客
07-23 330
PyTorch可视化
torchvision.transforms.ToTensor
weixin_44491551的博客
05-19 2368
把图像转化为[0,1]的torch.float32类型，并改为channel first torch.tensor()只是把数据类型转化为tensor，并没有改变数值范围 例如： from torchvision.transforms import ToTensor from PIL import Image import numpy as np img = Image.open() print(img) >>> <PIL.PngImagePlugin.PngImageF
torchvision.transforms 数据预处理：ToTensor()
qq_43799400的博客
11-10 2万+
torchvision.transforms 数据预处理：ToTensor()
PyTorch学习笔记——图像处理（torchvision.ToTensor）
CSPhD-winston的博客
03-09 6383
PyTorch学习笔记——图像处理 torchvision.ToTensortransforms.ToTensor()作用实例图像代码代码解释逆过程代码代码解释 transforms.ToTensor()作用 ToTensor()将shape为(H, W, C)的nump.ndarray或img转为shape为(C, H, W)的tensor，其将每一个数值归一化到[0,1]，其归一化方法比较简单...
使用torch.functions.to_tensor()把数组转换为Tensor时需要注意维度是否正确
weixin_42431141的博客
05-02 4655
深度学习多波段数据训练时，模型一直无法收敛。 torch.functions.to_tensor()函数 下面是to_tensor函数的源码 def to_tensor(pic): """Convert a ``PIL Image`` or ``numpy.ndarray`` to tensor. This function does not support torchscript. See :class:`~torchvision.transforms.ToTensor` f.
使用MNIST数据集中的0，1数据完成logistic regression 任务 导入相关包 In [1]: import torch import torchvision as tv import torchvision.transforms as transforms import torch.nn as nn In [2]: # 定义是否使用GPU device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 定义数据预处理方式 transform = transforms.ToTensor() 利用框架自带数据集读取方式读取 MNIST数据集 In [3]: # download 第一次可设置为Ture trainset = tv.datasets.MNIST( root='./data/', train=True, download=True, transform=transform) 从训练集中取出0、1标签的数据构成此次任务的训练集(train_input,train_label) In [4]: train_input = [] train_label = [] for data, label in trainset: if label == 0 or label == 1: train_input.append(data) train_label.append(label) 创建自己的训练数据集，需要补充完成 In [5]: class TensorDataset(torch.utils.data.Dataset): """ 创建自己的dataset类 继承torch.utils.data.Dataset。 Dataset wrapping data and target tensors. Each sample will be retrieved by indexing both tensors along the first dimension. Arguments: data_tensor (Tensor): contains sample data. target_tensor (Tensor): contains sample targets (labels). """ ​ def __init__(self, data_tensor, target_tensor): self.data_tensor = data_tensor self.target_tensor = target_tensor # 这个方法是必须要有的，用于按照索引读取每个元素的具体内容 def __getitem__(self, index): return self.data_tensor[index], self.target_tensor[index] # #return很关键，return回哪些内容，那么我们在训练时循环读取每个batch时， # 就能获得哪些内容 ##这个函数也必须要写，它返回的是数据集的长度 def __len__(self): return self.data_tensor.size(0) 定义训练批处理数据 In [ ]: # batch_size 根据自己计算资源设计，shuffle设置为True，查询设置的原因。 trainloader = torch.utils.data.DataLoader( TensorDataset(train_input, train_label), batch_size = 128, shuffle = True, ) 利用pytorch框架的nn.Module 模块完成logistic regression class logistic_regression(nn.Module): ''' 逻辑回归模型 ''' def __init__(self): super(logistic_regression, self).__init__() " 添加logistic regression层 " def forward(self,
最新发布
03-24
transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) # 加载完整的 MNIST 训练和测试数据集 train_dataset_full = datasets.MNIST(root='./data', train=True, transform=transform, download...
import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision.transforms import ToTensor from torchvision.datasets import KMNIST import matplotlib.pyplot as plt #导入数据 train_data = KMNIST(root="data",train=True,download=True,transform=ToTensor()) test_data = KMNIST(root="data",train=False,download=True,transform=ToTensor()) # 超参数 epochs=20 lr=0.01 batch_size=64 # 数据整理 train_dl=DataLoader(train_data,batch_size=batch_size,shuffle=True) test_dl=DataLoader(test_data,batch_size=batch_size) # 模型训练 loss_hist = [] best_loss = float('inf') # 初始化最佳损失为无穷大 best_model_state = None # 初始化最佳模型状态 # 模型定义 class MyModel(torch.nn.Module): def __init__(self): super(MyModel, self).__init__() self.linear=nn.Linear(784,512) self.bn=nn.BatchNorm1d(512) self.relu=nn.ReLU() self.linear2=nn.Linear(512,512) self.bn2=nn.BatchNorm1d(512) self.relu=nn.ReLU() self.drop=nn.Dropout(0.1) self.linear3=nn.Linear(512,10) def forward(self, x): out=self.linear(x) out=self.bn(out) out=self.relu(out) out=self.linear2(out) out=self.bn2(out) out=self.relu(out) out=self.drop(out) final=self.linear3(out) return final #模型、损失、优化器定义 model=MyModel() loss=nn.CrossEntropyLoss() optimizer=torch.optim.Adam(model.parameters(),lr=lr) def validate_model(model, val_dl): model.eval() # 设置模型为评估模式 total_loss = 0 with torch.no_grad(): for data, target in val_dl: out = model(data.reshape(-1, 784)) loss_val = loss(out, target) total_loss += loss_val.item() return total_loss / len(val_dl) for epoch in range(epochs): # 初始化损失正确率、总数 running_loss = 0.0 correct = 0 total = 0 for data, target in train_dl: out = model(data.reshape(-1, 784)) loss_val = loss(out, target) optimizer.zero_grad() loss_val.backward() optimizer.st
03-22
torchvision.transforms.ToTensor(), torchvision.transforms.Normalize((0.5,), (0.5,)), torchvision.transforms.RandomAffine(degrees=5, translate=(0.1,0.1)) # 数据增强 ]) # 模型架构改进 class KMNIST_...
keras如何批量读取图片_python 图片读取 常用操作方法
weixin_31884015的博客
02-17 1294
图片读取与保存cv2.imreadimport cv2im = cv2.imread(img_path) # 若无法读取，返回 None， cv2.imread(path, flags) flags: cv2.IMREAD_COLOR, cv2.IMREAD_GRAYSCALE, cv2.IMREAD_UNCHANGEDtype(im) # numpy.ndarrayim.shape...
torch.fx极简量化
whaosoft143ai的博客
01-13 686
这些东西本质上是在做一件事情，至少从量化角度上看是这样的，但是到最后不具备通用性，当你看到 pytorch_quanzation 这个工具保存的模型体积根float32一样的时候，就会开始怀疑人生了，这tm是人干的事儿？由于pytorch的自带的 imagnet系列模型，我们没有办法做calibration，我们用小一些的Cifra10, 不需要下载，pytorch自己可以处理，但是这就需要我们自己finetune一下。很多古老的文章，还在用手动插入stub来做量化节点，这就好比在21世纪还在飞鸽传书。
paddle.vision.transforms.to_tensor的功能
ZhaoLinke1998的博客
10-29 1650
paddle.vision.transforms.to_tensor与paddle.to_tensor两者的作用完全不同，paddle.to_tensor只是将其他数据类型转化为tensor类型，便于构建计算图。 而paddle.vision.transforms.to_tensor是将PIL.Image或numpy.ndarray转换成paddle.Tensor。 将形状为 （H x W x C）的输入数据PIL.Image或numpy.ndarray转...
【深度学习】torchvision.transforms中的ToTensor和Normalize
wzk4869的博客
05-14 1877
【深度学习】torchvision.transforms中的ToTensor和Normalize
transforms.ToTensor()
weixin_42608318的博客
02-13 2955
transforms.ToTensor()是PyTorch中的一个转换函数，它的作用是将一个PIL Image或numpy.ndarray图像转换为一个Tensor数据类型。该函数主要用于在图像数据处理时将图像数据格式从二进制形式转换为Tensor数据类型，以方便模型处理。 ...
torchvision.transforms.ToTensor详解 | 使用transforms.ToTensor()出现用户警告 | 图像的H W C 代表什么
热门推荐
我是菜鸡
11-09 3万+
看看torchvision.transforms.ToTensor做了什么： 把一个取值范围是[0,255]的PIL.Image或者shape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。 简单来说就是把ndarray转换为tensor。 np.ndarray为[h, w, c]格式：数组中最外层即hight，表示图像像素有几行；第二层元素width，表示图像像素几列，最后一层元素为每一个通道的数值。 Tensor为
pytorch中的to_tensor会对图像进行归一化操作
QT-Smile
03-28 676
pytorch中的to_tensor会对图像进行归一化操作
transforms.ToTensor()作用
qq_36603965的博客
02-19 311
totensor的作用
【Pytorch】--torchvision.transforms.ToTensor
qq_35632833的博客
02-10 1148
\quad 在使用Pytorch时候，需要导入图片，一般图片的类型都是numpy.ndarray，需要转换成tensor类型, 这时候就要使用torchvision.transforms.ToTensor 1.原理 \quad 参考：Pytorch之深入torchvision.transforms.ToTensor与ToPILImage 2.测试&&结果 import cv2 a...
评论 1
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