Pytorch中的图像增广transforms类和预处理方法是什么寻技术

这篇文章主要讲解了“Pytorch中的图像增广transforms类和预处理方法是什么”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Pytorch中的图像增广transforms类和预处理方法是什么”吧！

1.随机翻转（水平和垂直）

torchvision.transforms.RandomVerticalFlip

函数和

torchvision.transforms.RandomHorizontalFlip

函数是两个可以实现数据增强的函数，可以将输入的图像进行随机垂直翻转和随机水平翻转，从而增加数据集的多样性。

具体来说，

torchvision.transforms.RandomVerticalFlip

函数可以将输入图像在垂直方向上进行随机翻转，而

torchvision.transforms.RandomHorizontalFlip

函数可以将输入图像在水平方向上进行随机翻转。这两个函数都可以通过设置参数来控制翻转的概率。

下面是这两个函数的使用方法：

import torch
import torchvision.transforms as transforms

# 定义随机垂直翻转和随机水平翻转的概率
vflip_probability = 0.5  # 随机垂直翻转的概率
hflip_probability = 0.5  # 随机水平翻转的概率

# 定义图像变换
transform = transforms.Compose([
    transforms.RandomVerticalFlip(p=vflip_probability),
    transforms.RandomHorizontalFlip(p=hflip_probability)
])

在上述代码中，我们首先通过

transforms.Compose

函数定义了一个图像变换的序列，其中包含了随机垂直翻转和随机水平翻转两个操作。

2.随机裁剪缩放

torchvision.transforms.RandomResizedCrop

函数可以进行随机裁剪和缩放，从而增加数据集的多样性。在实际使用中，这个函数有许多可调参数，下面是一个更加完整的介绍：

transforms.RandomResizedCrop(
    size,       # 输出图像的大小
    scale=(0.08, 1.0),  # 缩放范围，将输入图像按照该范围内的随机比例缩放
    ratio=(3.0/4.0, 4.0/3.0),   # 长宽比范围，将输入图像按照该范围内的随机比例进行裁剪
    interpolation=2     # 缩放时使用的插值方法，可选1、2、3、4中的一个，默认为PIL.Image.BILINEAR
)

下面是各个参数的详细介绍：

```
size
```
：输出图像的大小，可以是一个整数，表示输出图像的边长，或者是一个二元组，表示输出图像的宽和高。例如，如果设置size=224，则输出图像的大小为 224 × 224 224 imes224 224×224；如果设置size=(256,192)，则输出图像的大小为 256 × 192 256 imes192 256×192。
```
scale
```
：缩放范围，将输入图像按照该范围内的随机比例缩放。该参数是一个二元组，表示缩放比例的范围，例如(0.08,1.0)表示将输入图像缩放到原来的 0.08 0.08 0.08到 1.0 1.0 1.0倍之间的随机比例。默认值为(0.08, 1.0)。
```
ratio
```
：长宽比范围，将输入图像按照该范围内的随机比例进行裁剪。该参数是一个二元组，表示长宽比的范围，例如(3.0/4.0,4.0/3.0)表示将输入图像按照宽高比在 3 / 4 3/4 3/4到 4 / 3 4/3 4/3之间的随机比例进行裁剪。默认值为(3.0/4.0, 4.0/3.0)。
```
interpolation
```
：缩放时使用的插值方法，可选1、2、3、4中的一个，分别表示PIL.Image.NEAREST、PIL.Image.BILINEAR、PIL.Image.BICUBIC和PIL.Image.LANCZOS。默认值为PIL.Image.BILINEAR。

3.随机修改颜色（颜色抖动）

在PyTorch中，

torchvision.transforms.RandomColorJitter

函数可以用于对图像进行随机颜色抖动，增加数据集的多样性。这个函数可以随机地改变图像的亮度、对比度、饱和度和色相，并且还可以随机地进行灰度化操作。下面是该函数的参数：

transforms.RandomColorJitter(
    brightness=0.1,    # 亮度调整的强度，默认值为0.1
    contrast=0.1,      # 对比度调整的强度，默认值为0.1
    saturation=0.1,    # 饱和度调整的强度，默认值为0.1
    hue=0.1,           # 色相调整的强度，默认值为0.1
    p=0.5,             # 执行颜色抖动的概率，默认值为0.5
)

下面是各个参数的详细介绍：

```
brightness
```
：亮度调整的强度。默认值为0.1。如果设置为0，则不进行亮度调整。
```
contrast
```
：对比度调整的强度。默认值为0.1。如果设置为0，则不进行对比度调整。
```
saturation
```
：饱和度调整的强度。默认值为0.1。如果设置为0，则不进行饱和度调整。
```
hue
```
：色相调整的强度。默认值为0.1。如果设置为0，则不进行色相调整。
```
p
```
：执行颜色抖动的概率。默认值为0.5。如果设置为1，则每个图像都会执行颜色抖动。

4.将图像转化为张量

在PyTorch的

torchvision

库中，

ToTensor

函数是一种将PIL Image或numpy.ndarray格式的图像转换为PyTorch Tensor格式的函数。它可以将图像中的像素值转换为0到1之间的标准化数值，并调整图像的通道顺序，使其符合PyTorch模型的输入要求。

ToTensor

函数的使用方法如下：

from torchvision.transforms import ToTensor
transform = ToTensor()

一般来说，在使用

Compose

组合在一起的一组transform中，

ToTensor

函数应该放在最后一个位置，以便将图像转换为PyTorch Tensor格式的图像，并确保其他所有的transform都在Tensor转换之前完成。

5.标准化操作

在PyTorch的

torchvision.transforms

库中，

Normalize

函数是一种对图像进行标准化处理的函数。它可以将图像中的像素值进行归一化处理，使得图像的像素值均值为0，标准差为1，从而增强模型的收敛速度和泛化性能。

Normalize

函数的使用方法如下：

from torchvision.transforms import Normalize
transform = Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])

在上述代码中，我们首先导入了

Normalize

函数，并创建了一个名为transform的Normalize对象。其中，

mean

和

std

参数分别代表图像各通道像素值的平均值和标准差。在这里，我们以ImageNet数据集的图像均值和标准差为例进行了设置。

需要注意的是，

Normalize

函数应该在图像转换为PyTorch Tensor格式之后应用，即在ToTensor之后。这是因为

Normalize

需要对每个通道的像素值进行标准化，而ToTensor函数将图像中的像素值转换为PyTorch Tensor格式后，每个通道的像素值将存储在不同的维度上，因此才需要在

ToTensor

之后进行标准化处理。

6.同时结合多种增广方法

在PyTorch的

torchvision

库中，

Compose

函数是一种将多个数据增强操作组合在一起的函数。它可以将多个数据增强操作按照一定的顺序组合在一起，并将它们作为一个整体应用于数据集中的每个样本。

Compose

函数可以帮助我们方便地实现复杂的数据增强操作，同时也可以使我们的代码更加简洁和易读。

Compose

函数的使用方法如下：

from torchvision.transforms import Compose
from torchvision.transforms import RandomCrop, RandomHorizontalFlip, ToTensor

transform = Compose([
    RandomCrop(32),
    RandomHorizontalFlip(),
    ToTensor()
])

在上述代码中，我们首先导入了