快捷導(dǎo)航

Pytorch實(shí)戰(zhàn)之?dāng)?shù)據(jù)加載和處理詳解

更新時(shí)間：2023年06月06日 15:41:06 作者：吃肉的小饅頭

Pytorch提供了許多工具來(lái)簡(jiǎn)化和希望數(shù)據(jù)加載，使代碼更具可讀性，本文將通過(guò)一些簡(jiǎn)單示例為大家具體講講，感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下

transforms——Crop

# torchvision.transforms.CenterCrop
transforms = T.Compose([T.Resize(224),T.CenterCrop(224),T.ToTensor()])  # Resize：縮放
cat_t = transforms(cat)  # 傳入transforms中的數(shù)據(jù)是PIL數(shù)據(jù)，lena_t為tensor
cat_t.shape  # 3*224*224 ; 當(dāng)T.CenterCrop()的參數(shù)大于T.Resize()的參數(shù)時(shí)，周?chē)?填充
to_pil(cat_t)

# torchvision.transforms.RandomCrop
transforms = T.Compose([T.Resize(224),T.RandomCrop(224, padding=(16, 64)),T.ToTensor()])  # Resize：縮放
cat_t = transforms(cat)  # 傳入transforms中的數(shù)據(jù)是PIL數(shù)據(jù)，lena_t為tensor
cat_t.shape  # 3*224*224 ; 當(dāng)T.CenterCrop()的參數(shù)大于T.Resize()的參數(shù)時(shí)，周?chē)?填充
to_pil(cat_t)

transforms——Flip

# torchvision.transforms.RandomHorizontalFlip
transforms = T.Compose([T.Resize(224),T.RandomHorizontalFlip(p=0.5),T.ToTensor()])  # Resize：縮放
cat_t = transforms(cat)  # 傳入transforms中的數(shù)據(jù)是PIL數(shù)據(jù)，lena_t為tensor
cat_t.shape  # 3*224*224 ; 當(dāng)T.CenterCrop()的參數(shù)大于T.Resize()的參數(shù)時(shí)，周?chē)?填充
to_pil(cat_t)

# torchvision.transforms.RandomRotation
transforms = T.Compose([T.Resize(224),T.RandomRotation(30, center=(0, 0), expand=True),T.ToTensor()])  # Resize：縮放
cat_t = transforms(cat)  # 傳入transforms中的數(shù)據(jù)是PIL數(shù)據(jù)，lena_t為tensor
cat_t.shape  # 3*224*224 ; 當(dāng)T.CenterCrop()的參數(shù)大于T.Resize()的參數(shù)時(shí)，周?chē)?填充
to_pil(cat_t)

圖像變換

transforms的操作

自定義transforms

自定義transforms要素：

1.僅接收一個(gè)參數(shù)，返回一個(gè)參數(shù)

2.注意上下游的輸出與輸入

class Compose(object):
    def __call__(self, img):
        for t in transforms:
            img = t(img)
        return img

通過(guò)類(lèi)實(shí)現(xiàn)多參數(shù)傳入：

class YourTransforms(object):
    def __init__(self, transforms):
        self.transforms = transforms
    def __call__(self, img):
        for t in self.transforms:
            img = t(img)
        return img

椒鹽噪聲又稱(chēng)為脈沖噪聲，是一種隨機(jī)出現(xiàn)的白點(diǎn)或者黑點(diǎn)，白點(diǎn)稱(chēng)為鹽噪聲，黑色為椒噪聲。

信噪比（Signal-Noise Rate，SNR）是衡量噪聲的比例，圖像中為圖像像素的占比。

class AddPepperNoise(object):
    def __init__(self, snr, p):
        self.snr = snr
        self.p = p
    def __call__(self, img):
        # 添加椒鹽噪聲具體實(shí)現(xiàn)過(guò)程
        img = None
        return img

transforms方法

到此這篇關(guān)于Pytorch實(shí)戰(zhàn)之?dāng)?shù)據(jù)加載和處理詳解的文章就介紹到這了,更多相關(guān)Pytorch數(shù)據(jù)加載內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: