pytorch框架--数据方面--实际使用版


<>应用于图像分类
from torchvision.datasets import ImageFolder from torchvision import transforms
from torch.utils.data import DataLoader # 图像目标路径 ROOT_TRAIN = './data/train' #
一组2个图像打包 batch_size = 2 # 预处理打包： 可加入更多预处理操作 train_transform = transforms.Compose
([ # 缩放 transforms.Resize((224, 224)), # ------------------数据增强
开始--------------------- # 随机旋转，-45度到45度之间随机选 transforms.RandomRotation(45), #
从中心开始裁剪 transforms.CenterCrop(224), # 随机水平翻转 选择概率值为 p=0.5 transforms.
RandomHorizontalFlip(p=0.5), # 随机垂直翻转 transforms.RandomVerticalFlip(p=0.5), #
参数：亮度、对比度、饱和度、色相 transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation
=0.1, hue=0.1), # 转为3通道灰度图 R=G=B 概率设定0.025 transforms.RandomGrayscale(p=0.025),
# ------------------数据增强 结束--------------------- # 数据格式转换为rensor 必备步骤 transforms
.ToTensor(), # 归一化 # 将图像的像素值归一化到【-1， 1】之间 均值、标准差 是计算后得出的，例如VGG：[0.485, 0.456,
0.406], [0.229, 0.224, 0.225] # 这0.5是随便给的 transforms.Normalize([0.5, 0.5, 0.5],
[0.5, 0.5, 0.5])]) # 数据路径、模型预处理打包 train_data = ImageFolder(ROOT_TRAIN, transform
=train_transform) # 格式打包 # 参数：数据、1组几个、下一轮轮是否打乱、进程个数、最后一组是否凑成一组 train_datas =
DataLoader(dataset=train_data, batch_size=batch_size, shuffle=True, num_workers=
4, drop_last=True) # 返回数据是 图像对应标签的可迭代对象 # for data in train_datas: # imgs,
targets = data

技术
下载桌面版
GitHub
Microsoft Store
SourceForge
Gitee
百度网盘（提取码：draw）
云服务器优惠
华为云优惠券
京东云优惠券
腾讯云优惠券
阿里云优惠券
Vultr优惠券
站点信息
问题反馈
邮箱：[email protected]
吐槽一下
QQ群：766591547
关注微信
©2020-2025 ioDraw All rights reserved, Privacy Policy