PyTorch框架学习七——自定义transforms方法

PyTorch框架学习七——自定义transforms方法

  • 一、自定义transforms注意要素
  • 二、自定义transforms步骤
  • 三、自定义transforms实例:椒盐噪声

虽然前面的笔记介绍了很多PyTorch给出的transforms方法,也非常有用,但是也有可能在具体的问题中需要开发者自定义transforms方法,这次笔记就介绍如何自定义transforms方法。

ps:本次笔记中使用的原始图像出自上次笔记:https://blog.csdn.net/qq_40467656/article/details/107958492

一、自定义transforms注意要素

从数据读取机制DataLoader我们知道了transforms的内部工作原理,是在Compose类的__call__函数定义并实现的:

class Compose(object):"""Composes several transforms together.Args:transforms (list of ``Transform`` objects): list of transforms to compose.Example:>>> transforms.Compose([>>>     transforms.CenterCrop(10),>>>     transforms.ToTensor(),>>> ])"""def __init__(self, transforms):self.transforms = transformsdef __call__(self, img):for t in self.transforms:img = t(img)return img

由此出发,可以看出自定义transforms需要注意两个要素:

  1. 仅接收一个参数img,并返回一个参数img;
  2. transforms之间要注意上下游的输入与输出的格式匹配。

二、自定义transforms步骤

首先,自定义的transforms的输入参数可能不只img一个,如概率p等等,但是原来的代码只允许接收一个参数返回一个参数,所以可以在原来的基础上改进:

class YourTransforms(object):def __init__(self, ...):  # ...是要传入的多个参数# 对多参数进行传入# 如 self.p = p 传入概率# ...def __call__(self, img):  # __call__函数还是只有一个参数传入# 该自定义transforms方法的具体实现过程# ...return img

步骤如下:

  1. 自定义一个类YourTransforms,结构类似Compose类
  2. __init__函数作为多参数传入的地方
  3. __call__函数具体实现自定义的transforms方法

三、自定义transforms实例:椒盐噪声

椒盐噪声:又称为脉冲噪声,是一种随机出现的白点或黑点,白点被称为盐噪声,黑点被称为椒噪声,其与信噪比(SNR)息息相关。

此外,我们还想加入概率p这个参数,实现随机添加椒盐噪声。

仿照实现步骤,先写出其实现的大致框架:

class AddPepperNoise(object):def __init__(self, snr, p):  # snr, p 是要传入的多个参数self.snr = snrself.p = p def __call__(self, img):  # __call__函数还是只有一个参数传入'''添加椒盐噪声的具体实现过程'''return img

完整实现代码:

class AddPepperNoise(object):"""增加椒盐噪声Args:snr (float): Signal Noise Ratep (float): 概率值,依概率执行该操作"""def __init__(self, snr, p=0.9):assert isinstance(snr, float) and (isinstance(p, float))self.snr = snrself.p = pdef __call__(self, img):"""Args:img (PIL Image): PIL ImageReturns:PIL Image: PIL image."""if random.uniform(0, 1) < self.p:img_ = np.array(img).copy()h, w, c = img_.shapesignal_pct = self.snrnoise_pct = (1 - self.snr)mask = np.random.choice((0, 1, 2), size=(h, w, 1), p=[signal_pct, noise_pct/2., noise_pct/2.])mask = np.repeat(mask, c, axis=2)img_[mask == 1] = 255   # 盐噪声img_[mask == 2] = 0     # 椒噪声return Image.fromarray(img_.astype('uint8')).convert('RGB')else:return img

添加椒盐噪声之后:
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/491703.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Fashion-MNIST下载地址

训练集的图像&#xff1a;60000&#xff0c;http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz 训练集的类别标签&#xff1a;60000&#xff0c;http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.…

dfs算法

一般bfs算法都是使用递归 //下面简单的代码 visited[Max]; dfs(_graph g,int vo){ print(vo); visited[vo]1 for(int i0;i<Max;i){ if(visited[i]0){ dfs(g,i); } } }转载于:https://www.cnblogs.com/dick159/p/4900935.html

美国芯片简史:军方大力扶持下的产物 但一度被日 韩超越

来源&#xff1a;知乎专栏腾讯科技近日发起系列策划&#xff0c;聚焦各个芯片大国的发展历程。第四期&#xff1a;《美国芯片简史》。集成电路是电子信息产业的的基石&#xff0c;电子信息产业对国民经济与社会发展具有重大推动作用。从全球集成电路产业发展历程来看&#xff0…

PyTorch框架学习八——PyTorch数据读取机制(简述)

PyTorch框架学习八——PyTorch数据读取机制&#xff08;简述&#xff09;一、数据二、DataLoader与Dataset1.torch.utils.data.DataLoader2.torch.utils.data.Dataset三、数据读取整体流程琢磨了一段时间&#xff0c;终于对PyTorch的数据读取机制有了一点理解&#xff0c;并自己…

使用feed_dict不一定要用占位符

使用feed_dict一般会伴有占位符&#xff0c;如 x tf.placeholder(tf.float32) 但是没有tf.placeholder也可以使用feed_dict方法&#xff0c;如下面这个例子&#xff1a; import tensorflow as tfinput1 tf.constant([2], dtypetf.float32) input2 tf.constant([3], dtype…

报告 | 2019年全球数字化转型现状研究报告

来源&#xff1a;Prophet2019年&#xff0c;战略数字化转型的重要性已经不止于IT领域&#xff0c;而影响着全公司的竞争力。企业的相关预算直线攀升&#xff0c;利益相关方所关注的颠覆性技术数量急剧增加。数字化项目开始由首席高管主导&#xff0c;并由相互协作的跨职能团队管…

Android调用binder实现权限提升-android学习之旅(81)

当进程A权限较低&#xff0c;而B权限较高时&#xff0c;容易产生提权漏洞 fuzz测试的测试路径 First level Interface是服务 Second level Interface是服务中对应的接口 1.首先获取第一层和第二层接口&#xff0c;及服务以及对应服务提供的接口 2.根据以上信息结合参数类型信息…

PyTorch框架学习九——网络模型的构建

PyTorch框架学习九——网络模型的构建一、概述二、nn.Module三、模型容器Container1.nn.Sequential2.nn.ModuleList3.nn.ModuleDict()4.总结笔记二到八主要介绍与数据有关的内容&#xff0c;这次笔记将开始介绍网络模型有关的内容&#xff0c;首先我们不追求网络内部各层的具体…

将张量转换为 int32 类型

tf.to_int32函数&#xff1a; tf.to_int32(x,nameToInt32 ) 函数参数&#xff1a; x&#xff1a;一个 Tensor 、SparseTensor、list或ndarrayname&#xff1a;操作的名称&#xff08;可选&#xff09;。 函数返回值&#xff1a; tf.to_int32函数返回一个 Tensor 或 SparseT…

中国17种稀土有啥军事用途?没它们,美军技术优势将归零

来源&#xff1a;陶慕剑观察 稀土就是化学元素周期表中镧系元素——镧(La)、铈(Ce)、镨(Pr)、钕(Nd)、钷(Pm)、钐(Sm)、铕(Eu)、钆(Gd)、铽(Tb)、镝(Dy)、钬(Ho)、铒(Er)、铥(Tm)、镱(Yb)、镥(Lu)&#xff0c;再加上钪(Sc)和钇(Y)共17种元素。中国稀土占据着众多的世界第一&…

swiper链接href无效

preventClicks:false,加上属性转载于:https://www.cnblogs.com/wesky/p/4906468.html

PyTorch框架学习十——基础网络层(卷积、转置卷积、池化、反池化、线性、激活函数)

PyTorch框架学习十——基础网络层&#xff08;卷积、转置卷积、池化、反池化、线性、激活函数&#xff09;一、卷积层二、转置卷积层三、池化层1.最大池化nn.MaxPool2d2.平均池化nn.AvgPool2d四、反池化层最大值反池化nn.MaxUnpool2d五、线性层六、激活函数层1.nn.Sigmoid2.nn.…

一个招标书文件的需求分析

时间&#xff1a;2015年10月20日 地点&#xff1a;二教302 人员&#xff1a;郑成&#xff0c;刘中睿&#xff0c;李琦 内容&#xff1a; 问题&#xff1a;找出民间组织管理系统的利益相关者 讨论过程&#xff1a;   出资人&#xff1a;民政厅&#xff0c;民管局 功能的使用者…

tensor也可以作为索引

在TensorFlow中&#xff0c;tensor也可以作为索引&#xff0c;但只能作为同样为tensor类型变量的索引&#xff0c;不能作为list类型变量的索引如下面的例子&#xff1a; import tensorflow as tfindex tf.to_int32([0,1,2]) # index是一个tensor a [[1,2,3], [4,5,6]] b a…

PyTorch框架学习十一——网络层权值初始化

PyTorch框架学习十一——网络层权值初始化一、均匀分布初始化二、正态分布初始化三、常数初始化四、Xavier 均匀分布初始化五、Xavier正态分布初始化六、kaiming均匀分布初始化前面的笔记介绍了网络模型的搭建&#xff0c;这次将介绍网络层权值的初始化&#xff0c;适当的初始化…

W3C 战败:无权再制定 HTML 和 DOM 标准!

来源&#xff1a;CSDN历史性时刻&#xff01;——近日&#xff0c;W3C正式宣告战败&#xff1a;HTML和DOM标准制定权将全权移交给浏览器厂商联盟WHATWG。由苹果、Google、微软和Mozilla四大浏览器厂商组成的WHATWG已经与万维网联盟&#xff08;World Wide Web Consortium&#…

java 快捷工具,如何清理不需要的引用

Ctrl shift O转载于:https://www.cnblogs.com/hcfan/p/4913410.html

tf.cast()类型转换函数

tf.cast(x, dtype, nameNone) 参数 x&#xff1a;输入dtype&#xff1a;转换目标类型name&#xff1a;名称 返回&#xff1a;Tensor 例子&#xff1a; import tensorflow as tfa [1,0,1,0] b [1,2,3,4] c [True, True, False] d tf.cast(a, dtypebool) e tf.cast(b, d…

PyTorch框架学习十二——损失函数

PyTorch框架学习十二——损失函数一、损失函数的作用二、18种常见损失函数简述1.L1Loss&#xff08;MAE&#xff09;2.MSELoss3.SmoothL1Loss4.交叉熵CrossEntropyLoss5.NLLLoss6.PoissonNLLLoss7.KLDivLoss8.BCELoss9.BCEWithLogitsLoss10.MarginRankingLoss11.HingeEmbedding…

化合物半导体的机遇

来源&#xff1a;国盛证券半导体材料可分为单质半导体及化合物半导体两类&#xff0c;前者如硅&#xff08;Si&#xff09;、锗(Ge&#xff09;等所形成的半导体&#xff0c;后者为砷化镓&#xff08;GaAs&#xff09;、氮化镓&#xff08;GaN&#xff09;、碳化硅&#xff08;…