Transform（二）

常见的transforms里的类：

一、Normalize（归一化）：

1、归一化是干什么的：

对图像数据进行预处理，以确保输入模型的数据在相同的尺度上

2、为什么需要归一化：

为了消除奇异值，将数据缩放到一个小范围，这样梯度下降得更快，更容易求解

3、transforms.Normalize(mean, std)

将图像的每个通道（RGB，共3个通道）按特定的均值和标准差进行归一化

（mean 和 std 的值是通常在 ImageNet 数据集上计算得出）

python 复制代码

#Normalize
mean = [0.485, 0.456, 0.406]
std = [0.229, 0.224, 0.225]
normalize=transforms.Normalize(mean,std) #创建归一化工具的实例化对象
img_norm=normalize(img_tensor)
print(img_norm[0][0][0]) #img_norm[0][0][0]获取该单张图像的第一个通道的第一行的第一个像素值
print(img_norm.shape) #CHW
writer.add_image("Normalize_images",img_norm,4,dataformats="CHW")

二、Resize（改变像素的大小）

注意：这里改变的大小是指改变图片的像素值，调整清晰度

resize=transforms.Resize(size) 中的 size 可以是一个元组 (height, width) 或者一个整数

（如果是整数，图像的较短边会被调整到这个值，较长边会保持比例）

python 复制代码

#Resizes
resize=transforms.Resize((700,50)) #注意size参数是()括起来的一对值
img_resize=resize(img_tensor) #输入：PIL Image or Tensor 对应输出的也是PIL Image or Tensor
writer.add_image("Resize_img",img_resize,1)

三、Compose（按顺序应用多个变换）

参数是list of ``Transform`` objects

python 复制代码

trans_resize=transforms.Resize(512)
trans_compose=transforms.Compose([trans_resize,trans_tensor])
img_resize_2=trans_compose(img_PIL)
writer.add_image("Compose",img_resize_2,1)
print(type(img_resize_2))

四、RandomCrop（随意裁剪）

python 复制代码

# RandomCrop
trans_random=transforms.RandomCrop((200,300))
trans_compose_2=transforms.Compose([trans_random,trans_tensor])
for i in range(10):
    img_crop=trans_compose_2(img_PIL)
    writer.add_image("RandomCrop1",img_crop,i)

size 参数可以是一个元组 (height, width)，表示裁剪的目标大小
每次应用时，裁剪的位置都是随机的，增加了数据的多样性

（Resize 是统一调整大小，而 RandomCrop 是随机选择部分区域）

补充：

python 复制代码

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

Tips：

多看官方文档

关注输入和输出类型

关注方法需要什么参数

不知道返回值的时候，可以print()或print(type())或debug