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
Compose函数和其他一些数据增强操作，然后创建了一个名为transform的
Compose对象。该Compose对象由三个数据增强操作组成：随机裁剪(RandomCrop)，随机水平翻转(RandomHorizontalFlip)和转换为Tensor格式(ToTensor)。