嵌入式学习-PyTorch（3）-day20

transforms结构及用法

transforms.yp是一个工具箱

就是将一个特定格式的图片经过这个工具的到想要的变换

Tensor数据类型

---

一、transforms 的使用（Python）

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

writer = SummaryWriter("logs")
img = Image.open("images/微信图片_20250711193055.jpg")
print(img)
#ToTensor
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)

#Normalize
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
writer.add_image("Normalize", img_norm)

#Resize
print(img.size)
trans_resize = transforms.Resize((512, 512))
img_resize = trans_resize(img)
print(img_resize)
img_resize = trans_totensor(img_resize)

writer.add_image("Resize", img_resize,1)

#Compose - resize - 2
trans_resize_2 = transforms.Resize((512, 512))
trans_compose = transforms.Compose([trans_resize_2, trans_totensor])
img_resize_2 = trans_compose(img)
writer.add_image("Compose", img_resize_2,2)

#RandomCrop
trans_random = transforms.RandomCrop(512,1024)
trans_compose_2 = transforms.Compose([trans_random,trans_totensor])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCropHW", img_crop,i)

writer.close()

transforms 是 torchvision 的一个模块，专门用来做 图片的预处理和数据增强。

核心用法：

from torchvision import transforms

transform = transforms.ToTensor()

image = Image.open('xxx.jpg') # PIL Image

tensor_image = transform(image) # 转成 Tensor

常用的组合写法：

transform = transforms.Compose([

transforms.Resize((224, 224)),

transforms.ToTensor(),

])

image = Image.open('xxx.jpg')

tensor_image = transform(image)

transforms.Compose() 可以把多个预处理步骤按顺序连接起来，比如缩放、裁剪、转 Tensor 等。

---

ToTensor 的具体作用：

• 输入：PIL Image（或 numpy ndarray）

• 输出：FloatTensor，shape 为 [C, H, W]，像素值范围变成 [0.0, 1.0]

• 转换细节：

  • RGB 图片：shape (H, W, 3) ➡️ (3, H, W)

  • 像素值：0-255 的 uint8 ➡️ 浮点数 0-1 之间

例子：

from PIL import Image

from torchvision import transforms

img = Image.open('xxx.jpg')

tensor = transforms.ToTensor()(img)

print(tensor.shape) # torch.Size([3, H, W])

print(tensor.max(), tensor.min()) # tensor.max() 应该接近 1.0，min() 接近 0.0

---

二、为什么我们需要 Tensor 数据类型

Tensor 就是 PyTorch 的核心数据结构，类似于 NumPy 的 ndarray，但它具备 GPU 加速、自动求导 的能力。

功能	普通数组（如 numpy）	Tensor
CPU 运算	✅ 支持	✅ 支持
GPU 运算	❌ 不支持	✅ 支持
自动求导（梯度计算）	❌ 不支持	✅ 支持
深度学习框架兼容性	❌ 基础数学计算	✅ 完全兼容 PyTorch

主要原因：

• 高效： PyTorch 的训练推理只能用 Tensor，尤其是 GPU 运算

• 梯度计算： Tensor 支持 requires_grad=True，训练模型时自动求导

• 统一数据接口： 图片转成 Tensor 后，数据可以无缝送入 DataLoader、模型训练

简单例子：

import torch a = torch.tensor([[1.0, 2.0], [3.0, 4.0]], requires_grad=True)

b = a * 2

c = b.mean()

c.backward()

print(a.grad) # 自动求导，得到梯度

---

✅ 总结：

问题	精炼回答
transforms怎么用	用 Compose 串联多个预处理方法，用 ToTensor 把图片转成 FloatTensor，范围 0-1，格式 [C, H, W]
为什么要 Tensor	Tensor 支持 GPU 运算、自动求导、直接送入模型训练，是 PyTorch 的“标配数据类型”

 

一、Compose函数

transforms.Compose 是什么？

Compose 的作用：将一系列图片预处理操作“打包”成一个整体，一次性执行多个转换。

使用场景：数据预处理步骤往往不止一条，比如：

• resize 调整图片大小

• center crop 居中裁剪

• ToTensor 转 Tensor

• Normalize 标准化

用 Compose 可以这样串起来：

from torchvision import transforms

transform = transforms.Compose([

transforms.Resize((224, 224)),

transforms.ToTensor(),

transforms.Normalize(mean=[0.5], std=[0.5])

])

执行逻辑：Compose 会 按顺序 对图片执行这些操作。

比如：

from PIL import Image

img = Image.open("xxx.jpg")

img = transform(img) # 按顺序执行 Resize ➡️ ToTensor ➡️ Normalize

简单理解：Compose 就是一个“流程线”，把多个变换打包成一个函数。

二、Normalize函数

transforms.Normalize 是什么？

作用：

将图片的每个通道（通常是 RGB 三个通道）按均值和标准差进行归一化，让数据符合标准正态分布（均值0，标准差1），便于模型更快收敛、训练更稳定。

数学公式：

---

常见用法：

transforms.Normalize(mean=[0.485, 0.456, 0.406], 
                     std=[0.229, 0.224, 0.225])

• mean 和 std 分别对应 每个通道的均值和标准差

• 例如 RGB 三通道，就填 [mean_R, mean_G, mean_B] 和 [std_R, std_G, std_B]

---

例子拆解：

假设输入图片的像素值已经通过 ToTensor() 转为 [0,1] 的 Tensor，Normalize() 会：

• 每个像素先减去 mean

• 再除以 std

• 最终得到既可以有负数也可以大于1的 标准化 Tensor

常见 ImageNet 预训练模型标准化参数：

transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])

这些 mean/std 来自于 ImageNet 数据集整体统计值。

---

为什么 Normalize 很重要：

目的	解释
加速模型收敛	数据归一化后能避免某些特征“值特别大”，训练更平滑
特征居中	均值变成0，避免偏移现象
兼容预训练模型	训练和推理保持一致（不归一化直接喂模型会效果很差！）

---

⚡完整案例：从图片到标准化 Tensor

from torchvision import transforms
from PIL import Image

transform = transforms.Compose([
    transforms.Resize((224,224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])
])

img = Image.open('cat.jpg')
tensor = transform(img)
print(tensor.shape)  # torch.Size([3, 224, 224])
print(f"最大值：{tensor.max()}, 最小值：{tensor.min()}")

---

小总结：

模块	功能	举例说明
ToTensor()	转为 Tensor，归一化到 [0,1]	RGB 图片 ➡️ Tensor
Normalize()	标准化到均值0方差1	减均值除方差

 

 三、Resize函数

transforms.Resize 是什么？

作用：

Resize 用于 调整图片大小，不论你的原图是啥尺寸，它都可以帮你按指定方式变成固定尺寸，方便送入神经网络训练或推理。

为什么需要 Resize：

• 统一输入大小：神经网络通常要求输入固定尺寸（比如 ResNet 要 224×224）

• 降低运算量：原图太大训练成本高

• 数据增强的一部分：Resize 搭配其他 transform 使用效果更佳

---

✨ 基础用法

1. 指定固定尺寸

from torchvision import transforms 
transform = transforms.Resize((224, 224))

效果：

• 无论输入什么尺寸，强制缩放到 224x224，保持 [H, W]

---

2. 指定单个整数

transform = transforms.Resize(224)

效果：

• 按短边缩放为 224，长边按比例缩放，保持长宽比不变

例子：

• 输入图片 300×500 ➡️ 输出 224×374

• 输入图片 1000×800 ➡️ 输出 224×179

---

支持参数

Resize(size, interpolation=InterpolationMode.BILINEAR, max_size=None, antialias=None)

• size: (H, W) 或 单个 int

• interpolation: 插值算法（默认 BILINEAR）

• max_size: 当 size 是单个整数时，可以控制最大边长

• antialias: 是否使用抗锯齿（PyTorch 2.0 起推荐）

---

插值模式

模式	说明
InterpolationMode.BILINEAR	双线性插值（默认，平滑效果好）
InterpolationMode.NEAREST	最近邻（速度快但不平滑）
InterpolationMode.BICUBIC	三次样条插值（更平滑但慢）

例子：

from torchvision.transforms import InterpolationMode 
transform = transforms.Resize((128, 128), interpolation=InterpolationMode.BICUBIC)

---

完整示例

from torchvision import transforms
from PIL import Image

img = Image.open('dog.jpg')
transform = transforms.Compose([
    transforms.Resize((128, 128)),
    transforms.ToTensor()
])

tensor_img = transform(img)
print(tensor_img.shape)  # torch.Size([3, 128, 128])

---

⚡ 小总结

功能	说明
Resize((H, W))	直接缩放到 H×W, 强行拉伸
Resize(H)	短边变成 H, 长边等比例缩放
interpolation	控制缩放质量
常配合	通常和 ToTensor()、Normalize() 一起使用

四、RandomCrop

transforms.RandomCrop 是什么？

核心功能：

• 随机裁剪图片的一块区域

• 在训练时引入随机性，提升模型对图片位置、特征分布的鲁棒性（抗干扰能力）

• 和 Resize 不同，RandomCrop 不是缩放，而是“剪一块下来”

---

✨ 常见用法

1. 最简单的裁剪：

from torchvision import transforms

transform = transforms.RandomCrop(size=(224, 224))

效果：

• 输入图片会随机裁剪出一个 224×224 的小区域，丢弃剩下的部分。

• 如果图片尺寸小于裁剪区域，会报错。

---

2. 裁剪后自动 resize：

通常搭配 Resize 用于先缩放再裁剪：

transform = transforms.Compose([
    transforms.Resize(256),         # 确保图片至少256的短边
    transforms.RandomCrop(224),     # 裁剪224×224的区域
    transforms.ToTensor()
])

典型 ImageNet 标配套路：先Resize到256 ➡️ 再随机裁剪224

---

3. 可选参数（高级玩法）：

RandomCrop(size, padding=0, pad_if_needed=False, fill=0, padding_mode='constant')

参数	含义
size	裁剪的输出尺寸
padding	随机裁剪前先加上四周 padding
pad_if_needed	如果原图小于 size，是否自动 pad
fill	填充值（仅 padding_mode=constant 时生效）
padding_mode	constant（默认零填充）、edge（边界值填充）、reflect（镜像填充）

---

例子：

transform = transforms.RandomCrop(224, padding=16, padding_mode='reflect')

效果：

• 图片四周先镜像扩展 16 像素，再随机裁剪 224×224

---

为什么用 RandomCrop？

场景	理由
防止过拟合	模型不能只记住图片的某个固定区域
增加数据多样性	每次训练模型看到的“图片”都不同
空间不变性	让模型学到特征不局限于图片中心

---

完整示例

from torchvision import transforms
from PIL import Image

transform = transforms.Compose([
    transforms.Resize(256),
    transforms.RandomCrop(224),
    transforms.ToTensor()
])

img = Image.open('cat.jpg')
tensor = transform(img)
print(tensor.shape)  # torch.Size([3, 224, 224])

---

✅ 小总结

模块	功能	作用
Resize	缩放图片	固定尺寸输入
RandomCrop	随机裁剪	增加随机性，提升泛化能力
ToTensor	转 Tensor	PyTorch 标配