PyTorch框架学习六——图像预处理transforms（二）

PyTorch框架学习六——图像预处理transforms（二）

  • （续）二、transforms的具体方法
    • 4.图像变换
      • （1）尺寸变换：transforms.Resize()
      • （2）标准化：transforms.Normalize()
      • （3）转为tensor：transforms.ToTensor()
      • （4）将数据转换为PILImage：transforms.ToPILImage()
      • （5）填充：transforms.Pad()
      • （6）修改亮度、对比度、饱和度：transforms.ColorJitter()
      • （7）转灰度图：transforms.Grayscale()
      • （8）依概率p转为灰度图：transforms.RandomGrayscale()
      • （9）仿射变换：transforms.RandomAffine()
      • （10）随机遮挡：transforms.RandomErasing()
    • 5.transforms的操作
      • （1）transforms.Lambda()
      • （2）transforms.RandomChoice()
      • （3）transforms.RandomApply()
      • （4）transforms.RandomOrder()

这次笔记是续PyTorch框架第五次笔记，上次笔记链接为：https://blog.csdn.net/qq_40467656/article/details/107914085

（续）二、transforms的具体方法

4.图像变换

（1）尺寸变换：transforms.Resize()

功能：将输入图像的尺寸resize到给定的尺寸。
操作对象：PIL格式或是张量。

torchvision.transforms.Resize(size, interpolation=2)

参数如下：
在这里插入图片描述

  1. size：同上（上次笔记）。
  2. interpolation：同上（上次笔记）。

原始图像尺寸（224,224）：（注意坐标轴）
在这里插入图片描述

transforms.Resize((512, 512))

resize后的结果，注意坐标轴
在这里插入图片描述

（2）标准化：transforms.Normalize()

功能：逐通道的标准化图像，公式为
output[channel] = (input[channel] - mean[channel]) / std[channel]
操作对象：张量。

torchvision.transforms.Normalize(mean, std, inplace=False)

参数如下：
在这里插入图片描述

  1. mean：（序列）每个通道的均值。
  2. std：（序列）每个通道的标准差。
  3. inplace：（布尔，可选）是否为原地操作。

标准化的作用：可以加快模型的收敛。

例子如下，这是RGB三通道图像，所以均值标准差都要有三个：

norm_mean = [0.485, 0.456, 0.406]
norm_std = [0.229, 0.224, 0.225]
transforms.Normalize(norm_mean, norm_std)

在这里插入图片描述

（3）转为tensor：transforms.ToTensor()

功能：将 PIL Image 或 numpy.ndarray 转变为tensor。
操作对象：PIL格式或是ndarray。

torchvision.transforms.ToTensor

在这里插入图片描述
将一个尺寸为（H×W×C）像素值范围[0, 255]的PIL图像或numpy的ndarray转变为尺寸为（C×H×W）像素值范围[0.0, 1.0]。

transforms.ToTensor()

在这里插入图片描述
因为像素值都小于等于1，所以显示不出来，其实像素值是有值的。

（4）将数据转换为PILImage：transforms.ToPILImage()

功能：将张量或ndarray转换为PIL图像，同时保留值的范围。
操作对象：ndarray或是张量。

torchvision.transforms.ToPILImage(mode=None)

参数如下：
在这里插入图片描述

（5）填充：transforms.Pad()

功能：对图片的边缘进行填充。
操作对象：PIL格式或是张量。

torchvision.transforms.Pad(padding, fill=0, padding_mode='constant')

参数如下：
在这里插入图片描述

  1. padding：设置填充的大小。若为a，则四边都填充a个像素距离；若为（a，b），则左右两边填充a个，上下两边填充b个；若为（a，b，c，d），则分别对应左、上、右、下四个边。
  2. fill：只有padding_mode设置为constant时有效，constant模式下要填充的像素值（R、G、B）或（Gray），默认为0。
  3. padding_mode：填充模式，有constant、edge、reflect和symmetric四种，同上。

几个例子如下：

（1）四边都填充32像素，模式为constant，填充值为(255, 0, 0)（红色）。

transforms.Pad(padding=32, fill=(255, 0, 0), padding_mode='constant')

在这里插入图片描述
（2）padding不一样，其他和（1）一样：

transforms.Pad(padding=(8, 64), fill=(255, 0, 0), padding_mode='constant')

在这里插入图片描述
（3）padding不一样，其他和（1）一样：

transforms.Pad(padding=(8, 16, 32, 64), fill=(255, 0, 0), padding_mode='constant')

在这里插入图片描述
（4）模式改成了symmetric，此时的fill无效：

transforms.Pad(padding=(8, 16, 32, 64), fill=(255, 0, 0), padding_mode='symmetric')

在这里插入图片描述

（6）修改亮度、对比度、饱和度：transforms.ColorJitter()

功能：调整亮度、对比度、饱和度和色相。
操作对象：PIL格式或是张量。

torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)

参数如下：
在这里插入图片描述

  1. brightness：亮度调整因子，当为a时，从[max(0, 1-a), 1+a]中随机选择；当为(a, b)时，从[a, b]中随机选择。
  2. contrast：对比度参数，同brightness。
  3. saturation：饱和度参数，同brightness。
  4. hue：色相参数，当为a时，从[-a, a]中选择，0<=a<=0.5；当为(a, b)时，从[a, b]中随机选择，-0.5<=a<=b<=0.5。

例子如下：

（1）亮度：

transforms.ColorJitter(brightness=0.5)

即亮度在[0.5, 1.5]之间选择：
在这里插入图片描述
（2）对比度：

transforms.ColorJitter(contrast=0.5)

在这里插入图片描述
（3）饱和度：

transforms.ColorJitter(saturation=0.5)

在这里插入图片描述
（4）色相：

transforms.ColorJitter(hue=0.3)

在这里插入图片描述

（7）转灰度图：transforms.Grayscale()

功能：将图像转变为灰度图，返回类型为PIL图像。
操作对象：PIL图像。

torchvision.transforms.Grayscale(num_output_channels=1)

参数：
在这里插入图片描述
注意它的返回，通道为3时，三通道的值相等：
在这里插入图片描述
例子如下：

transforms.Grayscale(num_output_channels=3)

在这里插入图片描述

（8）依概率p转为灰度图：transforms.RandomGrayscale()

功能：依概率将图片转换为灰度图。
操作对象：PIL图像。

torchvision.transforms.RandomGrayscale(p=0.1)

在这里插入图片描述

（9）仿射变换：transforms.RandomAffine()

功能：对图像进行仿射变换，仿射变换是二维的线性变换，由五种基本原子构成，分别是旋转、平移、缩放、错切和翻转。
操作对象：PIL格式（或是张量？不清楚张量可不可以）。

torchvision.transforms.RandomAffine(degrees, translate=None, scale=None, shear=None, resample=False, fillcolor=0)

参数如下：
在这里插入图片描述

  1. degrees：旋转角度，同RandomRotation()。
  2. translate：平移区间设置，如（a，b），则水平平移距离在（-img_width×a，img_width×a）区间内选择，垂直平移距离在（-img_height×b，img_height×b）区间内选择，默认不平移。
  3. scale：缩放比例，默认不缩放。
  4. shear：错切角度设置，若为a，则图像会沿着x轴方向错切，错切角度在（-a，a）范围内；若为（a，b），则图像会沿着x轴方向错切，错切角度在（a，b）范围内；若为（a，b，c，d），则图像会沿着x轴方向错切，错切角度在（a，b）范围内，并且沿着y轴错切，错切角度在（c，d）范围内。
  5. resample：插值方法。
  6. fillcolor：填充颜色设置，（R，G，B）或（Gray）。

例子如下：

（1）旋转

transforms.RandomAffine(degrees=30)

在这里插入图片描述
（2）平移

transforms.RandomAffine(degrees=0, translate=(0.2, 0.2), fillcolor=(255, 0, 0))

在这里插入图片描述
（3）缩放

transforms.RandomAffine(degrees=0, scale=(0.7, 0.7))

在这里插入图片描述
（4）y方向错切

transforms.RandomAffine(degrees=0, shear=(0, 0, 0, 45))

在这里插入图片描述
（5）x方向错切

transforms.RandomAffine(degrees=0, shear=90, fillcolor=(255, 0, 0))

在这里插入图片描述

（10）随机遮挡：transforms.RandomErasing()

功能：在图像中随机选择一个矩阵区域并遮挡其像素。
操作对象：张量。

torchvision.transforms.RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3), value=0, inplace=False)

参数如下：
在这里插入图片描述

  1. p：执行随机遮挡操作的概率。
  2. scale：遮挡区域的面积。
  3. ratio：遮挡区域的长宽比。
  4. value：设置遮挡区域的像素值，（R,G,B）或（Gray）。
  5. inplace：是否原地操作，默认False。

例子如下：

（1）

transforms.RandomErasing(p=1, scale=(0.02, 0.33), ratio=(0.3, 3.3), value=(254/255, 0, 0))

在这里插入图片描述
（2）value若是一个字符串，则会是随机填充。

transforms.RandomErasing(p=1, scale=(0.02, 0.33), ratio=(0.3, 3.3), value='1234')

在这里插入图片描述

5.transforms的操作

（1）transforms.Lambda()

功能：用户自定义lambda方法。

torchvision.transforms.Lambda(lambd)

参数：
在这里插入图片描述
格式为：
lambda[ arg1 [,arg2,…] ]：expression
其中：
arg1 [,arg2,…]为输入参数，expression为要做的操作以及返回的内容。

例子如下：

transforms.TenCrop(112, vertical_flip=False)
transforms.Lambda(lambda crops: torch.stack([(transforms.ToTensor()(crop)) for crop in crops]))

这里的操作是将TenCrop生成的十个图像拼接成一个张量。

（2）transforms.RandomChoice()

功能：从一系列transforms方法中随机挑选一个。

torchvision.transforms.RandomChoice(transforms)

格式为：

transforms.RandomChoice([transforms1, transforms2, transforms3,...])

如：要么垂直翻转，要么水平翻转。

transforms.RandomChoice([transforms.RandomVerticalFlip(p=1), transforms.RandomHorizontalFlip(p=1)])

（3）transforms.RandomApply()

功能：依据概率执行一组transforms操作。

torchvision.transforms.RandomApply(transforms, p=0.5)

如：0.5的概率执行仿射变换后灰度化。

transforms.RandomApply([transforms.RandomAffine(degrees=0, shear=45, fillcolor=(255, 0, 0)), transforms.Grayscale(num_output_channels=3)], p=0.5)

（4）transforms.RandomOrder()

功能：对一组transforms方法打乱，然后顺序执行。

torchvision.transforms.RandomOrder(transforms)

如：

transforms.RandomOrder([transforms.RandomRotation(15),transforms.Pad(padding=32),transforms.RandomAffine(degrees=0, translate=(0.01, 0.1), scale=(0.9, 1.1))]),

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/491707.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

新浪微博学习的知识点

新浪微博学习的知识点

instancetype 默认会识别当前是哪个类或者对象调用,就会转换成对应的类的对象 模型设计思想:Item:就是苹果的模型命名规范 tabBarItem: 决定着 tabBar 上按钮的内容 NSMutableDictionary *att [[NSMutableDictionary alloc] init]; att[NSForegroundColorAttributeName] […
阅读更多...
numpy方法读取加载mnist数据集

numpy方法读取加载mnist数据集

方法来自机器之心公众号 首先下载mnist数据集&#xff0c;并将里面四个文件夹解压出来&#xff0c;下载方法见前面的博客 import tensorflow as tf import numpy as np import osdataset_path rD:\PycharmProjects\tensorflow\MNIST_data # 这是我存放mnist数据集的位置 is_…
阅读更多...
纳米线传感器来了，传感芯片还会远吗

纳米线传感器来了，传感芯片还会远吗

来源&#xff1a;科学网“无旁路电路”纳米线桥接生长方案 黄辉供图微型气体检测仪 黄辉供图人工智能、可穿戴装备、物联网等信息技术迅猛发展&#xff0c;需要海量的传感器提供支持&#xff0c;大数据和云计算等业务也需要各种传感器实时采集数据来支撑。但目前的传感器存在国…
阅读更多...
PyTorch框架学习七——自定义transforms方法

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&#xff1a;椒盐噪声虽然前面的笔记介绍了很多PyTorch给出的transforms方法&#xff0c;也非常有用&#xff0c;但是也有可能在具体的问题中需要开发…
阅读更多...
Fashion-MNIST下载地址

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.…
阅读更多...
dfs算法

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
阅读更多...
美国芯片简史：军方大力扶持下的产物 但一度被日 韩超越

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…
阅读更多...
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（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…
阅读更多...
使用feed_dict不一定要用占位符

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…
阅读更多...
报告 | 2019年全球数字化转型现状研究报告

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…
阅读更多...
Android调用binder实现权限提升-android学习之旅（81）

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…
阅读更多...
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

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…
阅读更多...
将张量转换为 int32 类型

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…
阅读更多...
中国17种稀土有啥军事用途？没它们，美军技术优势将归零

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&…
阅读更多...
swiper链接href无效

swiper链接href无效

preventClicks:false,加上属性转载于:https://www.cnblogs.com/wesky/p/4906468.html
阅读更多...
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（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.…
阅读更多...
一个招标书文件的需求分析

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…
阅读更多...
tensor也可以作为索引

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…
阅读更多...
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

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…
阅读更多...
W3C 战败：无权再制定 HTML 和 DOM 标准！

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&#…
阅读更多...
最新文章

Copyright @ 2022~2023