1、transforms.ToTensor()的使用

1、作用：

将 PIL 、 numpy格式的图片转换为 tensor格式。

2、使用方法：

# 创建类
tensor_trans = transforms.ToTensor()
# 传参
img_trans = tensor_trans(img)

3、例子：

from PIL import Image
from torchvision import transforms

# 绝对路径 D:\workspace\PyTorch\hymenoptera_data\train\ants\0013035.jpg
# 相对路径 hymenoptera_data/train/ants/0013035.jpg
img_path = 'hymenoptera_data/train/ants/0013035.jpg'
img = Image.open(img_path)
# print(img)

# 1、transforms该如何使用
tensor_trans = transforms.ToTensor() # 对class进行创建
tensor_img = tensor_trans(img)

print(tensor_img)

4、用tensorboard来检验一下：

代码如下：

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

# python的用法 -》 tensor数据类型
# 通过transforms.ToTensor去解决两个问题
# 1、transforms该如何使用
# 2、为什么我们需要Tensor数据类型

# 绝对路径 D:\workspace\PyTorch\hymenoptera_data\train\ants\0013035.jpg
# 相对路径 hymenoptera_data/train/ants/0013035.jpg
img_path = 'hymenoptera_data/train/ants/0013035.jpg'
img = Image.open(img_path)
# print(img)

# 1、transforms该如何使用
tensor_trans = transforms.ToTensor() # 对class进行创建
tensor_img = tensor_trans(img)

print(tensor_img)


# 2、为什么我们需要Tensor数据类型
# tensor包括了我们神经网络中的一些参数，相当于对数据进行了包装
writer = SummaryWriter("logs")
writer.add_image("Tensor_img",tensor_img)
writer.close()

结果如下：

2、transforms.Normalize()的使用

1、作用：

将输入图片减去均值，再除以方差

2、使用方法：

# 继承类
trans_norm = transforms.Normalize(均值，标准差) # 根据通道数来写
# 如果是RGB三通道的话，举例为： ([1,2,3] , [4,5,6])

# 调用传参
img_norm = trans_norm(img) # 这里img需要是tensor类型的

3、例子：

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

writer = SummaryWriter('logs')
img = Image.open('image/color.jpg')
print(img)

# ToTensor 的使用
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
print(img_tensor.shape)
writer.add_image('ToTensor',img_tensor)

# Normalize
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([3, 4, 6], [7, 3, 2])
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm, 2)

4、用tensorboard来检验一下：

结果如下：

3、transforms.Resize()的使用

1、作用：

将 PIL 格式的图片转换为特定尺寸。

2、使用方法：

# 继承类
trans_resize = transforms.Resize((xxx,xxx)) # xxx表示想要的尺寸
# 调用并传参
img_resize = trans_resize(img) # 这里img必须是PIL格式的

3、例子：

# Resize
print(img.size)
trans_resize = transforms.Resize((512,512))
# img PIL -> resize -> img_resize PIL
img_resize = trans_resize(img)
# img_resize PIL -> totensor -> img_resize tensor
img_resize = trans_totensor(img_resize)
print(img_resize)
writer.add_image("Resize",img_resize,0)

4、用tensorboard来检查一下：

结果如下：

4、transform.Compose()的使用

1、作用：

可以将多种变换进行组合。

2、使用方法：

# 继承类
trans_compose = transform.Compose([trans_resize_2 , trans_totensor])
# Compose()中的参数需要是一个列表

# 调用传参
img_resize_2 = trans_compose(img)

3、例子：

# Compose - resize  --- 2
# Compose进行的是一个等比缩放，不改变高和宽的比例，只改变最小边和最长边的大小关系
trans_resize_2 = transforms.Resize(512)
# PIL -> PIL -> tensor
trans_compose = transforms.Compose([trans_resize_2, trans_totensor])
# Compose()的用法：
# Compose()中的参数需要是一个列表，Python中，列表的表示形式为[数据1、数据2...]
# 在Compose中，数据 需要是transforms类型
# 所以得到，Compose([transforms参数1，transforms参数2...])
img_resize_2 = trans_compose(img)
writer.add_image('Resize2',img_resize_2,0)

4、用tensorboard来检查一下：

结果如下：

5、transforms.RandomCrop()的使用

1、作用：

随机裁剪出所需尺寸的图片

2、使用方法：

# 继承类
trans_random = transforms.RandomCrop((100,200))

# 调用传参
trans_compose_2 = transforms.Compose([trans_random, trans_totensor])

3、例子：

# RandomCrop
trans_random = transforms.RandomCrop((100,200))
trans_compose_2 = transforms.Compose([trans_random, trans_totensor])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop",img_crop, i)
writer.close()