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。

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。

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。

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。

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。

查看原始图像和翻转的图像：

5. RandomRotation

此变换将图像随机旋转一个角度。以度为单位的角度可以作为参数“degrees”的输入。

旋转图像

6. Grayscale

此转换将把原始RGB图像更改为灰度（即黑白）。你可以提供你想要多少个通道作为参数“num_output_channels”的输入。

7. GaussianBlur

在这里，图像将被随机选择的高斯模糊所模糊。必须提供参数kernel_size。

8. RandomApply

此转换将随机应用给定的转换列表:

9. Compose

在本文中，我们一直在使用Compose() 。为了清楚地定义它，它将几个变换组合在一起。

10. 函数变换

在我们学习到的所有变换中，你可以注意到参数是随机生成的。这通常足以进行数据扩充。但是，有时你可能需要对转换管道进行更细粒度的控制。在这种情况下，可以使用函数变换。在这里，你可以指定或生成所有参数。一个附加的优点是，一个特定定义的函数变换可以应用于多个图像。

现在让我们深入了解PyTorch提供的不同功能转换:

A）调整亮度：adjust_brightness

这主要是调整图像的亮度。它以PyTorch张量的形式将图像作为输入。它还有一个重要参数“亮度系数”。这将表示如何实际更改亮度。例如，如果值为1，则会得到与输入相同的图像。如果该值大于1，将获得更亮的图像。如果它小于1，你会得到一个更暗的图像。可以相应地传递浮点值。返回的图像将是张量或PIL图像。

B）调整对比度：adjust_contrast

上面我们看到了如何调整亮度，这里我们有另一个用于调整图像对比度的变换。它需要两个输入参数：张量形式的图像和“对比度因子”。第二个参数将输入一个浮点值，它将告诉你如何调整对比度。但不能是负的。

C）调整色调：adjust_hue

色调是图像的一个重要属性。Pytorch允许你通过transforms.functional.adjust_hue进行调整。首先，图像将被转换成HSV（色调，饱和度，值）形式。将根据我们的参数在H通道中进行更改。更改后，图像将转换为其原始形式。重要的参数是“色调因子”。它可以是[-0.5.0.5]范围内的浮点值。尝试实现下面的示例。