【PyTorch教程】P10-11 Transform的用法

完整目录

  • P6-P7 数据加载
  • P8-9 Tensorboard使用
  • P10-11 Transform的用法
  • P12-13 常用的tranforms
  • P14 torchvision中的数据集的使用
  • P15 dataloader的使用
  • P16 nn.Module
  • P17 卷积
  • P18 卷积层使用
  • P19 池化
  • P20 ReLU
  • P21线性层和其它层
  • P22 squential和小实战
  • P23 loss function
  • P24 优化器
  • P25 pytorch中现有模型
  • P26 网络模型的保存和加载
  • P27、28、29 完整的模型套路
  • P30 GPU加速
  • P31 GPU加速_2
  • P32 完整的模型验证套路
  • P33 github的使用

P10-11 Transform的用法

  • 他就是一个.py的模块,里面有很多工具,可以理解为一个工具箱

  • 查看transform的structure,看看他们都有什么内容
    【PyTorch教程】P10-11 Transform的用法_第1张图片

  • 常用的有ToTensor、ToPILImage这些class,tranform是工具箱,这些class是工具,用来加工数据(比如图片)
    【PyTorch教程】P10-11 Transform的用法_第2张图片

  • Transform的用法:
    【PyTorch教程】P10-11 Transform的用法_第3张图片
    【PyTorch教程】P10-11 Transform的用法_第4张图片

  • 为什么要用tensor数据类型:
    先看ndarray类型:
    1、左边输入import cv2,给他一个图片的地址 img_path;
    2、看到右边的cv_img的数据类型变成了ndarray了。
    3、这样的类型,就可以作为tranform.Tensor()的输入了(要求这两种类型PIL和ndarray,也对应了PIL库和opencv库)。
    【PyTorch教程】P10-11 Transform的用法_第5张图片

  • 实例全部内容:
    【PyTorch教程】P10-11 Transform的用法_第6张图片

可以运行的代码

# !usr/bin/env python3
# -*- coding:utf-8 -*-

"""
author :24nemo
 date  :2021年07月07日
"""

# 这个模块里面的代码,没有在P10-11中敲,可能是后面的敲的

import os

from PIL import Image
from torch.utils.data import Dataset
from torchvision import transforms


class MyData(Dataset):

    def __init__(self, root_dir, image_dir, label_dir, transform=None):
        self.root_dir = root_dir
        self.image_dir = image_dir
        self.label_dir = label_dir
        self.label_path = os.path.join(self.root_dir, self.label_dir)
        self.image_path = os.path.join(self.root_dir, self.image_dir)
        self.image_list = os.listdir(self.image_path)
        self.label_list = os.listdir(self.label_path)
        self.transform = transform
        # 因为label 和 Image 文件名相同,进行一样的排序,可以保证取出的数据和label是一一对应的
        self.image_list.sort()
        self.label_list.sort()

    def __getitem__(self, idx):
        img_name = self.image_list[idx]
        label_name = self.label_list[idx]
        img_item_path = os.path.join(self.root_dir, self.image_dir, img_name)
        label_item_path = os.path.join(self.root_dir, self.label_dir, label_name)
        img = Image.open(img_item_path)
        with open(label_item_path, 'r') as f:
            label = f.readline()

        if self.transform:
            img = transform(img)

        return img, label

    def __len__(self):
        assert len(self.image_list) == len(self.label_list)
        return len(self.image_list)


transform = transforms.Compose([transforms.Resize(400), transforms.ToTensor()])
root_dir = "D:\\Python_In_One\\Project\\XiaoTuDui\\data\\train"
image_ants = "ants_image"
label_ants = "ants_label"
ants_dataset = MyData(root_dir, image_ants, label_ants, transform=transform)
image_bees = "bees_image"
label_bees = "bees_label"
bees_dataset = MyData(root_dir, image_bees, label_bees, transform=transform)

完整目录

  • P6-P7 数据加载
  • P8-9 Tensorboard使用
  • P10-11 Transform的用法
  • P12-13 常用的tranforms
  • P14 torchvision中的数据集的使用
  • P15 dataloader的使用
  • P16 nn.Module
  • P17 卷积
  • P18 卷积层使用
  • P19 池化
  • P20 ReLU
  • P21线性层和其它层
  • P22 squential和小实战
  • P23 loss function
  • P24 优化器
  • P25 pytorch中现有模型
  • P26 网络模型的保存和加载
  • P27、28、29 完整的模型套路
  • P30 GPU加速
  • P31 GPU加速_2
  • P32 完整的模型验证套路
  • P33 github的使用

你可能感兴趣的:(Python/Pycharm,深度学习/PyTorch,图像处理,计算机视觉,图像处理,深度学习,pytorch)