transforms.Resize()

transforms.Resize()

类原型：

CLASS torchvision.transforms.Resize(size, interpolation=InterpolationMode.BILINEAR, max_size=None, antialias=None)
    
作用：
    将输入图像(PIL Image or Tensor)调整为给定的大小。如果图像是torch张量，则期望它具有[C，H, W]形状，C其中表示任意数量的张量维度
    
参数：
    size (sequence or int)：
    	期望输出大小。如果size是(h, w)这样的序列，则输出size将与此匹配。如果size为int，图像的较小边缘将匹配此数字。即，如果高度>宽度，那么图像将被重新缩放为(size*高度/宽度，size)
    interpolation (InterpolationMode)：
    	由torchvision.transforms.InterpolationMode定义的期望插值枚举。默认为InterpolationMode.BILINEAR。如果输入是张量，只有InterpolationMode
    max_size (int, optional):
		调整后图像的长边允许的最大值:如果根据size调整后图像的长边大于max size，则再次调整图像，使长边等于max size。因此，size可能被否决，即较小的边可能比大小短。这只在size为int(或在torchscript模式下长度为1的序列)时才支持。
    antialias (bool, optional) 
        抗锯齿标志。如果img是PIL Image，该标志将被忽略，并且始终使用反别名。如果img是Tensor，该标志默认为False, InterpolationMode可以设置为True。双线性和插值模式。双三次的模式。这有助于使PIL图像的输出和张量更接近。    

注意：

不能是用io.imread或者cv2.imread读取的图片，这两种方法得到的是ndarray

• 将图片短边缩短至size (int)，长宽比保持不变

  transforms.Resize(size)
  

• 一般输入深度网络的特征图长宽是相等的，需要同时制定长宽

  transforms.Resize([h, w]
  

• 实例程序：

  img = Image.open("data/val/Dog/2.jpg")
  print(np.array(img).shape)
  
  resize = transforms.Resize((150,150))
  img_resize = resize(img)
  print(np.array(img_resize).shape)
  

  运行结果：

  (199, 188, 3)
  (150, 150, 3)