pytorch中transform.Compose()用法

torchvision.transforms.Compose(transforms) 是 PyTorch 中 torchvision 包提供的一个函数，用于将多个图像变换操作组成一个变换操作序列。它接受一个变换操作列表 transforms 作为输入，并返回组合后的变换操作。这个组合操作可以应用于数据增强，也可以应用于测试时对数据的预处理。下面是一个使用示例：

import torch
from torchvision import transforms

# 定义多个图像变换操作
transform_train = transforms.Compose([
    transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

transform_test = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 应用组合变换操作
train_dataset = YourDataset(root='data', train=True, transform=transform_train)
test_dataset = YourDataset(root='data', train=False, transform=transform_test)

train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)

在上面的示例中，Compose() 函数被用于定义多个图像变换操作的序列。transform_train 和 transform_test 分别定义了两个不同的变换操作序列，分别应用于训练数据和测试数据。最后，通过实例化 YourDataset 类并传入相应的变换操作序列，得到了数据集对象。这些数据集对象可以被用于实例化 PyTorch 的 DataLoader 并进行数据加载。这样，在数据加载时就会自动应用相应的图像变换操作序列，从而实现了数据增强和预处理的效果。