Pytorch深度学习- Tensorboard的使用以及图像变换transform的使用（小土堆）

Tensorboard中的SummaryWriter使用

1. 导入数据包

from torch.utils.tensorboard import SummaryWriter

2. 构造函数方法

#那么生成的数据文件都存在于logs文件夹下
writer = SummaryWriter("logs")

3. add_scalar
   • 代码示例

'''  
tag:数据标题  
global_step:x轴数据  
scalar_value:y轴数据  
'''
#运行结束会在logs文件夹下产生一个文件
for i in range(100):  
    writer.add_scalar("y=x",i,i)

• 如何打开文件
  1. 打开terminal控制台
  2. 输入tensorboard --logdir=(事件文件所在文件夹名) （可选）–port=6007等
  3. 点击所出现的地址

4. add_image
   • 代码示例

'''  
tag:数据标题,  
img_tensor:是ndarray类型,是有数据要求的，一般默认为（3，H，W），如果要修改，则需要在最后加上dataformats设置，e.g. ``CHW``, ``HWC``, ``HW``，可以使用shape来查看是什么形状  
'''  
image_path = "study_dataset/train/ants_image/0013035.jpg"  
#这里获取的图片是PIL类型的  
image_PIL = Image.open(image_path)  
#这里转换为ndarray类型  
image_array = np.array(image_PIL)  
#这里第一个test为title
#如果再写一个将step=1变为step=2而不改变其他的，那么就会在一个里面显示，如果要单独显示，则需要将title改为其他的
writer.add_image("test",image_array,1,dataformats='HWC')

• 打开方式与add_scalar一样

torchvision的transforms使用（图片格式转换）

如何使用

1. 导入数据包

from torchvision import transforms

2. 使用：这里注意我第一次使用时出现报错->numpy版本高于2.0
   • 出现的问题解决方案：在终端中输入以下指令

pip install numpy<2

• 使用代码示例

img_path = "study_dataset/train/ants_image/0013035.jpg"  
#这里导入的img是PIL类型的  
img = Image.open(img_path)  
#实例化工具  
tensor_trans = transforms.ToTensor()  
img_tensor = tensor_trans(img)  
print(type(img_tensor))

常见的Transforms

package名	使用方法	输入类型	输出类型
PIL->Image	Image.open()	String	PIL
cv2	cv.imread()	String	ndarrays
torchvision->transforms	ToTensor()	PIL/ndarray	tensor
torchvision->transforms	ToPILImage()	tensor/ndarray	PIL
torchvision->transforms	Normalize()	tensor	tensor
torchvision->transforms	Resize()	PIL	PIL
torchvision->transforms	Compose()	expect：tensor	未定
torchvision->transforms	RandomCrop()	expect：tensor	tensor

• normalize的使用（归一化）

1. API

#mean：均值
#std：标准差
#如果是图片那么就存在rgb数组，每次要提供的就是一组向量
Normalize(mean,std,inplace=False)

2. 代码示例

img_path = "study_dataset/train/ants_image/0013035.jpg"  
#这里导入的img是PIL类型的  
img = Image.open(img_path)  
#转换为tensor类型  
trans_tenstor = transforms.ToTensor()  
img_tensor = trans_tenstor(img)  
#构造转换器  
tensor_trans = transforms.Normalize([0.5,0.5,0.5],[0.5,0.5,0.5])  
#传入tensor类型  
img_norm = tensor_trans(img_tensor)
#最后如果使用add_image导入并查看时，rgb更换所以颜色会更换

• Resize使用-1

1. API

#输入PIL类型,并给出尺寸，e.g(H,W)->会将其调整为HW尺寸
Resize(pic_size,interpolation=InterpolationMode.BILINEAR, max_size=None, antialias=True)

2. 代码示例

img_path = "study_dataset/train/ants_image/0013035.jpg"  
#这里导入的img是PIL类型的  
img = Image.open(img_path) 
trans_resize = transforms.Resize((512,512))  
img_resize = trans_resize(img)

• Resize使用-2
  1. API

#初始化时需要给其一个转换器列表，功能合并
Compose([transform,transform,...])

2. 代码示例

#Compose - resize - 2  
trans_resize_2 = transforms.Resize(512)  
#等于将totensor与resize功能合并  
#这里要注意图片转换顺序-->img是PIL类型，trans_resize_2需要的输入是PIL类型，输出也是PIL类型，trans_tenstor需要的输入时需要的时PIL/ndarray类型，输出tensor所以这个顺序可以，如果调换那么在第一次时就已经将PIL类型转换为tensor类型那么下一个转换器就无法输入
trans_compose = transforms.Compose([trans_resize_2,trans_tenstor])  
img_compose = trans_compose(img)

• 随机裁剪RandomCrop
  1. API

#size是一个序列（H,W）/（size，size）或者int
RandomCrop(size, padding=None, pad_if_needed=False, fill=0, padding_mode="constant")

2. 代码示例

#1.随机裁剪图片中的一部分
trans_RC = transforms.RandomCrop(512)  
trans_compose_2 = transforms.Compose([trans_RC,trans_tenstor])  
img_RC = trans_compose_2(img)