汽车网新车报价大全,佛山做优化的公司,设计网站要包含信息类型,个性化网站定制数据预处理
下列代码为train.py中常见的一些数据处理方法
train_transform transforms.Compose([transforms.Resize((224, 224)),transforms.RandomVerticalFlip(),# 随机旋转#xff0c;-45度到45度之间随机选transforms.RandomRotation(45),# 从中心开始裁剪transforms.C… 数据预处理
下列代码为train.py中常见的一些数据处理方法
train_transform transforms.Compose([transforms.Resize((224, 224)),transforms.RandomVerticalFlip(),# 随机旋转-45度到45度之间随机选transforms.RandomRotation(45),# 从中心开始裁剪transforms.CenterCrop(224),# 随机水平翻转 选择概率值为 p0.5transforms.RandomHorizontalFlip(p0.5),# 随机垂直翻转transforms.RandomVerticalFlip(p0.5),# 参数亮度、对比度、饱和度、色相transforms.ColorJitter(brightness0.2, contrast0.1, saturation0.1, hue0.1),# 转为3通道灰度图 RGB 概率设定0.025transforms.RandomGrayscale(p0.025),transforms.ToTensor(),transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])])
1.transforms.Resize
在下述示例中我们首先使用PIL库的Image.open方法读取了一张图片。然后我们使用transforms.Resize(500)定义了一个resize操作将图片的短边缩放至500像素同时保持长宽比不变。最后我们将resize操作应用到图片上得到了resize后的图片resized_image。最后一步是使用show方法显示resize后的图片。
from PIL import Image
from torchvision import transforms# 读取图片
image Image.open(image.jpg)# 定义transforms.Resize操作
resize transforms.Resize(500)# 对图片进行resize操作
resized_image resize(image)# 显示resize后的图片
resized_image.show() 将resize transforms.Resize(500) 改为 resize transforms.Resize(500500) 2. transforms.RandomVerticalFlip
transforms.RandomVerticalFlip是一个PyTorch中的数据预处理方法用于垂直翻转图像。它可以根据给定的概率p以p的概率对图像进行垂直翻转以1-p的概率保持原始图像不变。
以下是一个使用transforms.RandomVerticalFlip的示例代码
import torch
from torchvision import transforms
from PIL import Image# 加载图像
image Image.open(image.jpg)# 定义数据预处理方法
transform transforms.Compose([transforms.RandomVerticalFlip(p0.5)
])# 对图像进行数据预处理
transformed_image transform(image)# 显示预处理后的图像
transformed_image.show()
在上面的示例中我们首先加载了一张图像然后定义了一个transforms.Compose对象其中包含了transforms.RandomVerticalFlip方法。接下来我们将图像传递给transform对象它会根据给定的概率p对图像进行垂直翻转。最后我们显示了预处理后的图像。 3. transforms.RandomHorizontalFlip transforms.RandomHorizontalFlip是torchvision.transforms中的一个类用于对图像进行随机水平翻转的操作。它可以将图像水平翻转即左右翻转。这个操作可以增加数据的多样性提高模型的泛化能力。
下面是一个使用transforms.RandomHorizontalFlip的示例代码
import torchvision.transforms as transforms
from PIL import Image# 创建一个RandomHorizontalFlip对象
transform transforms.RandomHorizontalFlip(p0.5)# 加载图像
image Image.open(image.jpg)# 对图像进行水平翻转
flipped_image transform(image)# 显示原始图像和翻转后的图像
image.show()
flipped_image.show()
在上面的代码中我们首先导入了transforms模块和Image模块。然后我们创建了一个RandomHorizontalFlip对象并设置了翻转的概率为0.5。接下来我们加载了一张图像并使用transform对图像进行水平翻转操作。最后我们分别显示了原始图像和翻转后的图像。 4. transforms.RandomRotation 随机旋转 transforms.RandomRotation是PyTorch中的一个图像变换操作用于对图像进行随机旋转。它可以将图像按照一定的角度范围进行随机旋转增加数据的多样性和鲁棒性。
以下是transforms.RandomRotation的使用示例
import torchvision.transforms as transforms
from PIL import Image# 创建一个RandomRotation对象设置旋转角度范围为±30度
random_rotation transforms.RandomRotation(30)# 加载图像
image Image.open(image.jpg)# 对图像进行随机旋转
rotated_image random_rotation(image)# 显示旋转后的图像
rotated_image.show()
在上述示例中我们首先导入了transforms模块和Image类。然后我们创建了一个RandomRotation对象并设置旋转角度范围为±30度。接下来我们加载了一张图像并使用random_rotation对图像进行随机旋转。最后我们显示了旋转后的图像。 5. transforms.CenterCrop 中心裁剪 transforms.CenterCrop是PyTorch中的一个图像变换函数用于对图像进行中心裁剪。它可以根据给定的尺寸对图像进行裁剪并将图像的中心部分保留下来。
以下是一个使用transforms.CenterCrop的示例代码
import torchvision.transforms as transforms
from PIL import Image# 加载图像
image Image.open(image.jpg)# 定义裁剪尺寸
crop_size 224# 创建CenterCrop变换对象
center_crop transforms.CenterCrop(crop_size)# 对图像进行中心裁剪
cropped_image center_crop(image)# 显示裁剪后的图像
cropped_image.show()
在上面的示例中我们首先导入了transforms模块和Image类。然后我们加载了一张图像并定义了裁剪尺寸为224。接下来我们创建了一个CenterCrop变换对象并将裁剪尺寸作为参数传递给它。最后我们使用center_crop对象对图像进行中心裁剪并显示裁剪后的图像。 6. transforms.ColorJitter(brightness0.2, contrast0.1, saturation0.1, hue0.1) transforms.ColorJitter是PyTorch中的一个图像变换类它可以改变图像的亮度、对比度、饱和度和色调等属性。在你提供的例子中brightness0.2表示将图像的亮度随机变化为原图亮度的80%1-0.2到120%10.2之间。同样地contrast0.1、saturation0.1和hue0.1分别表示对比度、饱和度和色调的变化范围。
以下是一个示例代码展示了如何使用transforms.ColorJitter来改变图像的亮度、对比度、饱和度和色调属性
import torch
from torchvision import transforms# 创建一个ColorJitter对象设置亮度、对比度、饱和度和色调的变化范围
jitter transforms.ColorJitter(brightness0.2, contrast0.1, saturation0.1, hue0.1)# 加载图像
image Image.open(image.jpg)# 对图像进行变换
transformed_image jitter(image)# 显示变换后的图像
transformed_image.show()
这段代码会加载一张名为image.jpg的图像并使用transforms.ColorJitter对图像进行亮度、对比度、饱和度和色调的变换。最后显示变换后的图像。 可以明显看到这些人的脸更红了
7.transforms.RandomGrayscale
transforms.RandomGrayscale是一个用于随机将图像转换为灰度图像的操作。它可以在图像上随机选择一些像素并将它们转换为灰度值而其他像素保持不变。
下面是一个使用transforms.RandomGrayscale的示例代码
import torchvision.transforms as transforms
from PIL import Image# 加载图像
image Image.open(image.jpg)# 定义transforms
transform transforms.Compose([transforms.RandomGrayscale(p0.5),])# 对图像进行转换
transformed_image transform(image)# 显示转换后的图像
transformed_image.show()
在上面的示例中我们首先加载了一张图像然后定义了一个transforms.Compose对象其中包含了transforms.RandomGrayscale操作和transforms.ToTensor操作。然后我们将图像应用于这个transforms对象得到了转换后的图像。最后我们使用show()方法显示了转换后的图像。 8.transforms.ToTensor()
transforms.ToTensor()是PyTorch中的一个图像转换函数它将PIL图像或NumPy数组转换为张量Tensor。这个函数的作用是将图像数据从范围[0, 255]转换为范围[0.0, 1.0]的浮点数张量并且将通道顺序从H×W×C转换为C×H×W。
下面是一个使用transforms.ToTensor()的示例
import torch
from torchvision import transforms# 假设有一张PIL图像img
img Image.open(image.jpg)# 创建一个transforms对象将图像转换为张量
transform transforms.ToTensor()# 使用transforms对象对图像进行转换
tensor_img transform(img)print(tensor_img,tensor_img.shape)print(tensor_img)
输出结果将是一个形状为[C, H, W]的张量其中C是通道数H是图像的高度W是图像的宽度。
tensor_img torch.Size([3, 375, 500])
tensor([[[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],...,[0.5333, 0.4431, 0.4667, ..., 0.4392, 0.4431, 0.4627],[0.4510, 0.6275, 0.4549, ..., 0.4510, 0.4196, 0.4235],[0.5804, 0.4196, 0.3961, ..., 0.4588, 0.4275, 0.4157]],[[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],...,[0.4941, 0.4078, 0.4392, ..., 0.4392, 0.4314, 0.4510],[0.4000, 0.5882, 0.4275, ..., 0.4392, 0.4039, 0.4078],[0.5176, 0.3804, 0.3843, ..., 0.4471, 0.4118, 0.3882]],[[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],...,[0.4471, 0.3725, 0.4078, ..., 0.4078, 0.3961, 0.4157],[0.3373, 0.5490, 0.3961, ..., 0.4039, 0.3686, 0.3725],[0.4549, 0.3412, 0.3569, ..., 0.4196, 0.3765, 0.3569]]])9.transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])是PyTorch中的一个数据预处理操作用于将图像数据进行归一化处理。具体来说它将输入的图像数据减去均值[0.5, 0.5, 0.5]然后再除以标准差[0.5, 0.5, 0.5]从而使得处理后的图像数据的均值为0标准差为1。
这个操作的目的是为了使得模型更容易收敛因为经过归一化处理后的数据符合标准正态分布。在归一化之前图像数据的像素值通常是在[0, 1]的范围内归一化之后像素值会变成在[-1, 1]的范围内。
需要注意的是如果使用的是transforms.Normalize(channel_mean, channel_std)其中channel_mean和channel_std是根据数据计算得到的均值和标准差那么归一化之后的数据的均值会变成0标准差会变成1。
以下是一个示例代码演示了如何使用transforms.Normalize进行图像数据的归一化处理
import torch
import torchvision.transforms as transforms# 假设img是一个图像数据
img ...# 定义归一化操作
normalize transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])# 对图像数据进行归一化处理
normalized_img normalize(img)# 打印归一化后的图像数据
print(normalized_img)
输出
normalized_img torch.Size([3, 375, 500])
tensor([[[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],...,[ 0.0667, -0.1137, -0.0667, ..., -0.1216, -0.1137, -0.0745],[-0.0980, 0.2549, -0.0902, ..., -0.0980, -0.1608, -0.1529],[ 0.1608, -0.1608, -0.2078, ..., -0.0824, -0.1451, -0.1686]],[[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],...,[-0.0118, -0.1843, -0.1216, ..., -0.1216, -0.1373, -0.0980],[-0.2000, 0.1765, -0.1451, ..., -0.1216, -0.1922, -0.1843],[ 0.0353, -0.2392, -0.2314, ..., -0.1059, -0.1765, -0.2235]],[[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],[ 1.0000, 1.0000, 1.0000, ..., 1.0000, 1.0000, 1.0000],...,[-0.1059, -0.2549, -0.1843, ..., -0.1843, -0.2078, -0.1686],[-0.3255, 0.0980, -0.2078, ..., -0.1922, -0.2627, -0.2549],[-0.0902, -0.3176, -0.2863, ..., -0.1608, -0.2471, -0.2863]]])
