介绍

Pytorch是一个深度学习框架，广泛用于图像分类、分割、目标识别等各种任务。在这种情况下，我们必须处理各种类型的数据。很可能在大多数情况下，数据可能不是我们所需要的格式。PyTorch转换就是救星。

torchvision．transforms模块提供了可以使用的各种图像转换。我们使用变换对数据进行一些操作，使其适合于训练torchvision模块，PyTorch为常见的图像变换提供变换有关的函数。这些变换可以使用Compose链接在一起。

让我们在本文中看看其中的几个！准备好了吗？

1． ToTensor

这是一个非常常用的转换。在PyTorch中，我们主要处理张量形式的数据。如果输入数据是NumPy数组或PIL图像的形式，我们可以使用ToTensor将其转换为张量格式。

最后一个张量的形式是（C ＊ H ＊ W）。同时，还执行从0–255到0–1的范围内的缩放操作。

让我们用一个例子来更好地理解它。在这个博客中，我将使用Ragnar（我最喜欢的虚构角色）的图像来执行转换。

2．  Normalize

此操作将获取张量图像，并使用平均值和标准差对其进行归一化。它有3个参数：mean， std， inplace。我们需要为3个通道提供一系列平均值，作为参数“mean”，“std”类似。如果将“inplace”设为True，则将计算得到的值覆盖之前的值。

torchvision．transforms．Normalize（［meanOfChannel1， meanOfChannel2， meanOfChannel3］， ［stdOfChannel1， stdOfChannel2， stdOfChannel3］）
＃Example：
transforms．Normalize（（0．5， 0．5， 0．5）， （0．5， 0．5， 0．5））

3． CenterCrop

这将在中心裁剪给定的张量图像。你可以以（高度、宽度）的形式向transforms．CenterCrop（）提供要裁剪的大小作为输入。让我们在图像上实现这个并进行检查。

transform ＝ transforms．Compose（［transforms．ToTensor（），transforms．CenterCrop（（200，100））］）
tensor＿img ＝ transform（image）
tensor＿img．shape
Output： torch．Size（［3， 200， 100］）

如果只提供一个尺寸标注而不是两个尺寸标注，会发生什么情况？

它将假设它是一个正方形，并且将生成一个（size， size））的裁剪。

如果给定的尺寸比原来的尺寸大呢？

沿着这些边，图像将填充0！

4． RandomHorizontalFlip

此变换将以给定的概率水平（随机）翻转图像。你可以通过参数“p”来设置这个概率。p的默认值为0．5。

检查我下面的例子来理解。

transform ＝ transforms．Compose（［transforms．RandomHorizontalFlip（p＝0．9）］）
tensor＿img ＝ transform（image）
tensor＿img

查看原始图像和翻转的图像！