pytorch（四）——transforms详解

一、基础知识

1、计算机视觉工具包：torchvision

torchvision.transforms : 常用的图像预处理方法

torchvision.datasets : 常用数据集的dataset实现，MNIST，CIFAR-10，ImageNet等

torchvision.model : 常用的模型预训练，AlexNet，VGG， ResNet，GoogLeNet等

2、常用的图像预处理方法

数据中心化、数据标准化、缩放、裁剪、旋转、翻转、填充、噪声添加、灰度变换、线性变换、仿射变换、亮度、饱和度及对比度变换。同时transforms所处的位置为（在函数getitem中）：

二、重点讲解

1、图像标准化：transforms.Normalize

功能：逐channel的对图像进行标准化、output = (input - mean) / std、 mean：各通道的均值、std：各通道的标准差、inplace：是否原地操作。图像标准化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果, 数据标准化是数据预处理的常见方法之一。（这里的均值是像素均值）

transforms.Normalize(mean,std,inplace=False)

注：标准化的原理是我们默认自然图像是一类平稳的数据分布(即数据每一维的统计都服从相同分布)，此时，在每个样本上减去数据的统计平均值可以移除共同的部分，凸显像素个体差异。 个人认为还可以去除图像的亮度信息，增加模型的泛化能力。

2、

三、代码补充

1、tensor.sub_:在操作中带下划线的都是直接对原始数据进行更改的操作。