Pytorch学习 1——Transforms

最新推荐文章于 2024-09-12 08:54:42 发布

Vmgcr

最新推荐文章于 2024-09-12 08:54:42 发布

阅读量291

点赞数 4

文章标签： pytorch 学习人工智能

本文链接：https://blog.csdn.net/weixin_53319524/article/details/140613224

版权

SummaryWriter基本用法

SummaryWriter用于将模型训练过程中的日志保存到TensorBoard中。可以通过使用SummaryWriter的add_scalar()方法来保存损失函数、准确率等标量信息，使用add_histogram()方法来保存权重、梯度等张量信息，使用add_image()方法来保存图像信息等。

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter('logs') #当前目录下创建logs文件夹用于存放日志

ToTensor的使用

将一个PIL的图片变成一个tensor类型的图片，使用SummaryWriter将图片保存在TensorBoard中的具体例子：

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

writer = SummaryWriter('logs')    #要先删除之前的logs，不然之前的值会影响新的值
img = Image.open('data/train/ants_image/0013035.jpg')#图片的相对路径
print(img)

trans_totensor = transforms.ToTensor()    #创建对象,将一个PIL的img变成一个tensor类型的img
img_tensor = trans_totensor(img)
writer.add_image('ToTensor',img_tensor) #然后想要将img放在tensorboard中
writer.close()

然后，在pycharm终端输入 tensorboard --logdir=logs

Normalize归一化

归一化可以加速收敛速度，也就是加速训练的速度，注意区分归一化和标准化（standardlization）。

#output[channel] = (input[channel] - mean[channel]) / std[channel]

# mean = 0.5 ,std = 0.5
# (input - 0.5)/0.5 = 2*input - 1
# input[0,1] result[-1,1]

#Normalize归一化
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5,0.5,0.5],[0.5,0.5,0.5])#需要参数：均值、标准差，图片按照tensor的存储顺序存成CHW（通道、长、宽）图片为RGB为3通道
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image('Normalize',img_norm)

Resize的使用

#Resize
print(img.size)
trans_resize = transforms.Resize((512,512))
#img PIL -> resize -> img_resize PIL
img_resize = trans_resize(img)
#img_resize PIL -> totensor ->img_resize tensor
img_resize = trans_totensor(img_resize)
writer.add_image('Resize',img_resize,0)

Compose()用法

Compose() 中的参数需要的是一个列表，里面数据需要是transforms类型，即为Compose([transforms参数1，transforms参数2，...])

#Compose -resize -2  用compose让resize和totensor合成一步
trans_resize_2 = transforms.Resize(512)
trans_compose = transforms.Compose([trans_resize_2,trans_totensor])#后面一个参数的输入和前一个参数的输出匹配
img_resize_2 = trans_compose(img)
writer.add_image('Resize',img_resize_2,1)

RandomCrop随机裁剪

随机裁剪相当于建立每个因子特征与相应类别的权重关系，减弱背景(或噪音)因子的权重，且使模型面对缺失值不敏感，也就可以产生更好的学习效果，增加模型稳定性。

#RandomCrop随机裁剪
trans_random = transforms.RandomCrop(512)
trans_compose_2 = transforms.Compose([trans_random,trans_totensor])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image('RandomCrop',img_crop,i)