序言

胡哥首马在淮安325完赛，他的本硕都在淮安度过，七年的跑步生涯画上句号，真的是很圆满。七年，从180斤瘦到120斤，历经种种，胡哥理解的跑步，不是快，而是稳，他在比赛中从来不追求顶到极限，一旦感觉吃力，就会减速以重回舒适的区间。

现在，看到一些刚开始跑起来的人呐，就像看到从前的自己，有些高兴，却难起波澜。

不管出于什么初心，这总不是件坏事。

放弃不简单，坚持也没有多酷。

但是，我会等，直到那天到来。

(^_^)

---

---

20240422

• 右脚的伤痛缓解，下午试着跑得快些。第一个5000米@4’14"，全程能用前掌跑下来。但是，之后就连全掌跑都无法坚持很久，疼得只能用后跟跑，很艰难地顶完了第二个5000米@4’30"，心率很高，水平倒退到2021年底。
• 中途超越一个白衣小伙，他很快就提速反超，我却再也提不起速度，年轻人真是活力四射。名义上，目前手握学校现役最佳半马PB，至少还能保持半年，如今连4分以外的配速都跑得这么吃力，怎么会没有落差呢？补25个弹力带引体，菜就多练。
• 近期NRC的训练只能鸽了，手头事情也很紧。作为最终考核指标之一，5月24日，NRC会进行场地5000米测试，届时必然是要去，我也两年多没有正式测一回场地5000米了，希望一个月里，能再回巅峰。
  

1. torchvision.transforms.ToTensor

• 把一个取值范围是$[0,255]$的PIL.Image或者shape为$(H,W,C)$的numpy.ndarray，转换成shape为$(C,H,W)$，取值范围是$[0,1.0]$的torch.FloadTensor;

  • 注意会把channel(大部分图片的channel都是在第三个维度, channel维度值一般为$3$或$4$, 即$\mathrm{RGB}$或$\mathrm{RGBA}$对应的维度提到了shape的最前面;
  • 注意该变换并不是直接转为张量, 对于$\mathrm{RGB}$值的图片型的张量, 观察源码可发现会作除以$255$的归一标准化;
  • 不符合上述图片型张量的形式的张量(如输入二维矩阵), 将直接不作任何数值处理直接转为$\mathrm{torch}$中的张量;

• 可以使用torchvision.transforms.ToPILImage作逆变换, 这两个函数互为反函数;

  • 这是一个只针对PIL.Image输入的反函数, 即必然乘以$255$再返回成图片数据类型;

• 代码示例:

  import cv2
  import torchvision as tv
  
  # torchvision.transforms.ToTensor
  f = tv.transforms.ToTensor()
  numpy2tensor = f(np.array([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]]))
  image = cv2.imread(r'D:\media\image\wallpaper\1.jpg')
  image2tensor = f(image)
  print(numpy2tensor)
  print(image.shape)
  print(type(image2tensor))
  print(image2tensor.shape)
  
  # torchvision.transforms.ToPILImage
  f1 = tv.transforms.ToTensor()
  f2 = tv.transforms.ToPILImage()
  image = cv2.imread(r'D:\media\image\wallpaper\1.jpg')
  image2tensor = f1(image)
  tensor2image = f2(image2tensor)
  print(type(tensor2image))
  print(np.asarray(tensor2image))
  

2. torchvision.transforms.Normalize

• 这也是个很诡异的函数, 目前没有看出到底是怎么进行标准化的, 两个参数分别为mean与std;

  • 我现在看明白了，其实是$x:=(x-\text{mean})/\text{std}$，这里的mean和std是可以对应$\mathrm{channel}$数来写的

• 也只能对图片型张量进行处理

• 代码示例:

  import torchvision as tv
  
  f1 = tv.transforms.ToTensor()
  f2 = tv.transforms.Normalize([.5], [.5])
  image = cv2.imread(r'D:\media\image\wallpaper\1.jpg')
  image2tensor = f1(image)
  normal_tensor = f2(image2tensor)
  print(image.shape)
  print(image2tensor.shape)
  print(normal_tensor.shape)