參考目錄：
1 基本函式
1。1 Compose
1。2 RandomChoice
1。3 RandomOrder
2 PIL上的操作
2。1 中心切割CenterCrop
2。2 隨機切割RandomCrop
2。3 隨機比例切割
2。4 顏色震顫ColorJitter
2。5 隨機旋轉RandomRotation
2。6 灰度化Grayscale
2。7 size
2。8 機率隨機（常用）
3 Tensor上的操作
3。1 標準化Normalize
4 PIL，Tensor轉換函式
4。1 ToPILImage
4。2 ToTensor
5 案例程式碼分析
老樣子，先看官方對torchvision。transforms的介紹：
這個Transforms是
常見的影象的轉換（包含影象增強等）
， 然後不同的transforms可以透過Compose函式連線起來（類似於Sequence把網路層連線起來一樣的感覺）。後面的是關於影象分割任務了的介紹，因為入門PyTorch主要是影象分類，所以後面先不提了。
1 基本函式
1.1 Compose
【程式碼】
torchvision。transforms。Compose（transforms）
【介紹】
將不同的transform壓縮在一起，
這是非常重要的函式
【程式碼舉例】
transforms。Compose（［ transforms。CenterCrop（10）， transforms。ToTensor（）， ］）
1.2 RandomChoice
【程式碼】
torchvision。transforms。RandomChoice（transforms）
【介紹】
用法和Compose相同，是在transform的list中隨機選擇1個transform進行執行。
1.3 RandomOrder
【程式碼】
torchvision。transforms。RandomOrder（transforms）
【介紹】
用法和Compose相同，是亂序list中的transform。
之前的課程提到了，在torchvision官方的資料集中，提供的資料是PIL格式的資料，然後我們需要轉成FloatTensor形式的資料。因此這裡
影象增強的處理也分成在PIL圖片上操作的和在FloatTensor張量上操作的兩種
。
2 PIL上的操作
2.1 中心切割CenterCrop
【程式碼】
torchvision。transforms。CenterCrop（size）
【介紹】
以PIL圖片中心為中心，進行圖片切割。
比較常用
【引數】
size （sequence or int） – 想要切割出多大的圖片。如果size是一個整數，那麼就切割一個正方形；如果是一個（height，width）的tuple，那麼就切割一個長方形。
【程式碼舉例】
transforms。Compose（［ transforms。CenterCrop（10）， transforms。ToTensor（）， ］）
2.2 隨機切割RandomCrop
【程式碼】
torchvision。transforms。RandomCrop（size， padding=None， pad_if_needed=False， fill=0， padding_mode=‘constant’）
【介紹】
和CenterCrop類似，但是是隨機選取中心進行切割的
【引數】
size也是可以是int可以是tuple（height，width）
padding就是是否對圖片進行填充，你可以輸入2元組，表示左右填充和上下填充，也可以輸入四元組，表示左上右下的填充；
pad_if_needed是boolean，一般是True。隨機選取如果選取的比較邊緣，超出了邊界，那麼是否進行填充
fill （int），你選擇填充的是0（黑色），還是255（白色）呢？這個盡在padding_mode=‘constant’時有效
padding_mode表示填充的方法。有四種：
'constant', 'edge', 'reflect' or 'symmetric'
。 預設是constant常數填充。edge是填充邊緣的那個畫素值，一般效果比constant強一些，自己做的專案中；reflect和symmetric都是表示以邊界為軸進行映象的填充，區別在於：
reflect：［1，2，3，4，5］進行padding=2的時候，那麼就是［3，2，1，2，3，4，5，4，3］
symmetric：［1，2，3，4，5］進行padding=2的時候，那麼就是［2，1，1，2，3，4，5，5，4］
區別是否重複邊界的哪一個元素。兩種方法差別不大。
2.3 隨機比例切割
【程式碼】
torchvision。transforms。RandomResizedCrop（size， scale=（0。08， 1。0）， ratio=（0。75， 1。3333）， interpolation=2）
【介紹】
這個比較有意思，隨機大小切割圖片，然後再resize到設定的size大小。
引數中scale控制切割圖片的大小是原圖的比例，然後ratio控制切割圖片的高寬比（縱橫比），預設是從3/4 到 4/3。切割完成後再resize到設定的size大小。這個方法一般用在訓練inception網路。
2.4 顏色震顫ColorJitter
【程式碼】
torchvision。transforms。ColorJitter（brightness=0， contrast=0， saturation=0， hue=0）
【介紹】
隨機修改亮度brightness，對比度contrast， 飽和度saturation，色相hue
【引數】
brightness （float or tuple （min， max）） – 如果輸入是一個float，那麼建議在選取一個小於1的浮點數。亮度係數會從區間均勻選取，如果我使用這個，我設定brightness是0。1的話，那麼這個係數就是之間隨機選取。如果輸入時一個tuple的話，那麼就是在 中選取。
contrast （float or tuple （min， max）） – 和上面一樣，也是一個係數的選取。
saturation （float or tuple （min， max）） – 和上面一樣，也是一個係數的選取。
hue （float or tuple （min， max）） – hue是色相。這裡色相的取值應該小於0。5。如果輸入時一個float，那麼取值應該，係數在 選取；如果是tuple，那麼就是
2.5 隨機旋轉RandomRotation
【程式碼】
torchvision。transforms。RandomRotation（degrees， resample=False， expand=False， center=None， fill=None）
【介紹】
就是隨機的按照角度宣傳圖片
【引數】
degrees （int or tuple （min，max）） – 老規矩了，整數旋轉角度就是［-int，int］，tuple就是［min，max］
expand （bool， optional） – True就是讓擴大圖片，讓圖片可以包括所有內容（圖片旋轉的話，四個角的資訊其實是旋轉到了圖片的外面，這個是擴大圖片的畫素尺寸，如果True在後面還要接一個resize的transforms）； 預設是False，旋轉後的圖片和輸入圖片是同樣的尺寸。
center （2-tuple， optional） – 可以設定成非圖片中心的旋轉
fill （n-tuple or int or float） – 設定填充畫素值的，預設是0，一般也會選取0。
2.6 灰度化Grayscale
【程式碼】
torchvision。transforms。Grayscale（num_output_channels=1）
【介紹】
這個函式雖然不重要，但是會用的話可以提高變成速度哈哈。就是把圖片轉換成灰度的。
【引數】
num_output_channels （int） – 正常情況下灰度圖片是單通道的，但是這裡你可以設定成3，這樣的話，會輸出3個通道的灰度圖片（三個通道的特徵值相同），這樣的話，你就不用修改torchvision的預訓練模型中的輸入介面了。（因為之前提到的，預訓練模型使用ImageNet訓練的，輸入都是三通道彩色圖）
2.7 size
【程式碼】
torchvision。transforms。Resize（size， interpolation=2）
【介紹】
把PIL圖片resize成指定大小
【引數】
size （tuple（height，width） or int） – tuple的話就直接resize成指定大小；int的話，就按照比例，讓圖片的短邊長度變成int大小。
interpolation （int， optional） – 插值方法，一般都使用預設的PIL。Image。BILINEAR雙重線性插值。
2.8 機率隨機（常用）
影象增強有：變成灰度，映象，翻轉，平移，旋轉等。
【程式碼】
# 變成灰度，輸入輸出通道數預設相同torchvision。transforms。RandomGrayscale（p=0。1）# 隨機水平翻轉torchvision。transforms。RandomHorizontalFlip（p=0。5）# 隨機豎直翻轉torchvision。transforms。RandomVerticalFlip（p=0。5）
【引數】
p：表示執行這個transform的機率
3 Tensor上的操作
3.1 標準化Normalize
【程式碼】
torchvision。transforms。Normalize（mean， std， inplace=False）
【引數】
mean和std都是list，［mean_1，。。。，mean_n］和［std_1，。。。，std_n］，n為通道數。每一個通道都應該有一個mean和std。計算的方法是，就是常用的那種：
4 PIL，Tensor轉換函式
4.1 ToPILImage
torchvision。transforms。ToPILImage（mode=None）
【介紹】
把一個tensor或者np的array轉換成PIL。值得注意的是，
如果輸入時Tensor，那麼維度應該是 C x H x W ，如果是numpy的話，是 H x W x C。
（這是一個一般不會出現，但是一旦出現很難想到的問題。）
4.2 ToTensor
torchvision。transforms。ToTensor
【介紹】
把PIL或者numpy轉換成Tensor。PIL和Numpy （格式H x W x C，範圍［0，255］），轉換成Tensor（格式C x H x W，範圍［0，1］）
5 案例程式碼分析
from PIL import Imagefrom torchvision import transformsdef loadImage（）： # 讀取圖片 im = Image。open（“brunch。jpg”） im = im。convert（“RGB”） im。show（） return imim = loadImage（）
圖片是我在英國留學的時候，有一道菜叫無花果土司，雖然不好吃但是好看，原圖：
#從中心裁剪一個600*600的影象output = transforms。CenterCrop（600）（im）output。show（）
# 從中心裁一個長為600，寬為800的影象output = transforms。CenterCrop（（600，800））（im）output。show（）
#隨機裁剪一個600*600的影象output = transforms。RandomCrop（600）（im）output。show（）
#隨機裁剪一個600*800的影象output = transforms。RandomCrop（（600，800））（im）output。show（）
#從上、下、左、右、中心各裁一個300*300的影象outputs = transforms。FiveCrop（300）（im）outputs［4］。show（）
類似的圖片，就不佔用painful了
#p預設為0。5，這裡設成1，那麼就肯定會水平翻轉output = transforms。RandomHorizontalFlip（p=1。0）（im）output。show（）
output = transforms。RandomVerticalFlip（p=1）（im）output。show（）
#在（-30，30）之間選擇一個角度進行旋轉output = transforms。RandomRotation（30）（im）output。show（）
#在60-90之間選擇一個角度進行旋轉output = transforms。RandomRotation（（60，90））（im）output。show（）
output = transforms。Resize（（400，500））（im）output。show（）
這個影象一樣就尺寸變小了，就不放圖了。
trans = transforms。Compose（［transforms。CenterCrop（300）， transforms。RandomRotation（30）， ］）output = trans（im）output。show（）
- END -
