PyTorch 学习笔记（二）：PyTorch的数据增强与数据标准化

本文截取自《PyTorch 模型训练实用教程》，获取全文pdf请点击：https://github.com/tensor-yu/PyTorch_Tutorial

在实际应用过程中，我们会在数据进入模型之前进行一些预处理，例如数据中心化(仅减均值)，数据标准化(减均值，再除以标准差)，随机裁剪，旋转一定角度，镜像等一系列操作。PyTorch有一系列数据增强方法供大家使用，下面将介绍这些方法。

在PyTorch中，这些数据增强方法放在了transforms.py文件中。这些数据处理可以满足我们大部分的需求，通过熟悉transforms.py，以及1.4节中的内容，我们也可以自定义数据处理函数，实现自己的数据增强。

在本小节，从宏观地介绍transform的使用，在下一小节，将会详细介绍transform的所有操作。

transform的使用

请查看/Code/main_trainingmain.py中代码：

normMean = [0.4948052, 0.48568845, 0.44682974]
normStd = [0.24580306, 0.24236229, 0.2603115]
normTransform = transforms.Normalize(normMean, normStd)
trainTransform = transforms.Compose([
	transforms.Resize(32),
	transforms.RandomCrop(32, padding=4),
	transforms.ToTensor(),
	normTransform
	])
validTransform = transforms.Compose([
	transforms.ToTensor(),
	normTransform
	])

前三行设置均值，标准差，以及数据标准化：transforms.Normalize()函数，这里是以通道为单位进行计算均值，标准差。
然后用transforms.Compose将所需要进行的处理给compose起来，并且需要注意顺序！

在训练时，依次对图片进行以下操作：

1. 随机裁剪
2. Totensor
3. 数据标准化(减均值，除以标准差)

1. 随机裁剪
第一个处理是随机裁剪，在裁剪之前先对图片的上下左右均填充上4个pixel，值为0，即变成一个4040的数据，然后再随机进行3232的裁剪。
例如下图，是经过transforms.RandomCrop(32, padding=4),之后的图片，其中红色框是原始图片数据，31列是填充的0，28-31行也是填充的0.

2. Totensor
第二个处理是 transforms.ToTensor()
在这里会对数据进行transpose，原来是hwc，会经过img = img.transpose(0, 1).transpose(0, 2).contiguous()，变成chw再除以255，使得像素值归一化至[0-1]之间，来看看Red通道。

来看看27行，30列 原来是8的， 经过ToTensor之后变成：8/255= 0.03137255

3. 数据标准化(减均值，除以标准差)
第三个处理是对图像进行标准化，通过标准化之后，再来看看Red通道的数据：

至此，数据预处理完毕，最后转换成Variable类型，就是输入网络模型的数据了。

细心的朋友可能会发现，在进行Normalize时，需要设置均值和方差，在这里直接给出了，但在实际应用中是要去训练集中计算的，天下可没有免费的午餐。

这里给出计算训练集的均值和方差的脚本：
https://github.com/tensor-yu/PyTorch_Tutorial/blob/master/Code/1_data_prepare/1_5_compute_mean.py

转载请注明出处：https://blog.csdn.net/u011995719/article/details/85103712