pytorch transform函数

### PyTorch 中 `transform` 函数的用法 在 PyTorch 中，`transform` 是用于数据预处理的重要组件之一。通过组合不同的变换方法可以构建复杂的预处理流水线。 #### 使用 Compose 组合多种变换 为了实现一系列连续的数据变换操作，通常会使用 `transforms.Compose()` 方法将多个变换串联起来。例如，在 CIFAR-10 数据集上应用如下预处理： ```python import torchvision.transforms as transforms transform = transforms.Compose([ transforms.ToTensor(), # 将 PIL 图像转为 Tensor transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 归一化图像张量 ]) ``` 这段代码定义了一个包含两个步骤的转换流程：首先是将输入图片转化为张量形式；其次是对其进行标准化处理[^1]。 #### 自定义 Dataset 类并集成 Transform 当自定义数据集时，可以在初始化过程中传入所需的 `transform` 参数以便于后续调用。下面是一个基于面部特征点检测任务的例子： ```python from torch.utils.data import Dataset import pandas as pd from skimage import io, transform class FaceLandmarksDataset(Dataset): """Face Landmarks dataset.""" def __init__(self, csv_file, root_dir, transform=None): self.landmarks_frame = pd.read_csv(csv_file) self.root_dir = root_dir self.transform = transform def __len__(self): return len(self.landmarks_frame) def __getitem__(self, idx): img_name = os.path.join(self.root_dir, self.landmarks_frame.iloc[idx, 0]) image = io.imread(img_name) landmarks = self.landmarks_frame.iloc[idx, 1:].values.astype('float').reshape(-1, 2) sample = {'image': image, 'landmarks': landmarks} if self.transform: sample = self.transform(sample) return sample ``` 在这个例子中，如果提供了 `transform` 参数，则会在每次访问特定样本 (`__getitem__`) 的时候自动对该样本施加指定的一系列变换[^2]。 #### DataLoader 加载已处理过的数据 最后一步是利用 `DataLoader` 来高效地批量加载已经过 `Transform` 处理后的数据。这不仅简化了批量化过程还支持多线程加速读取速度: ```python trainset = torchvision.datasets.CIFAR10( root='./data', train=True, download=True, transform=transform ) trainloader = torch.utils.data.DataLoader( trainset, batch_size=4, shuffle=True, num_workers=2 ) ``` 这里展示了如何设置一个带有随机打乱顺序(`shuffle=True`)以及并发工作进程数(`num_workers=2`)的训练集加载器。