使用Transforms，需要先引入 from torchvision import transforms

Tensor  张量  实际就是一个多维数组multidimensional array，其目的是能够创造更高维度的矩阵、向量

__call__方法：

魔法函数__call__，即把类当作函数使用，不需要再调用类中的函数

例如：person = Person()    person("name")    person.Name()

# 创建具体的工具 tool = transforms.ToTensor()
# 使用工具  result = tool(input)  输出结果  调用Tensor __call__是把类当作函数使用
# PIL Image  numpy.ndarray --> tensor

# Tensor 张量  实际就是一个多维数组multidimensional array，其目的是能够创造更高维度的矩阵、向量

from PIL import Image
from torchvision import transforms
from torch.utils.tensorboard import SummaryWriter

# python的用法 ——> tensor数据类型
# 通过transforms.ToTensor()

# 绝对路径 D:\PycharmProjects\learn_pytorch\train\ants\5650366_e22b7e1065.jpg  可以在前面添加r转义
# 相对路径 train/ants/5650366_e22b7e1065.jpg
img_path = "train/ants/5650366_e22b7e1065.jpg"
img_PIL = Image.open(img_path)

# transforms 如何使用(python)
# ToTensor()使用
tensor_trans = transforms.ToTensor()
img_trans = tensor_trans(img_PIL)      # 调用Tensor的魔法函数__call__  返回F.to_tensor(pic)

writer = SummaryWriter("logs")
writer.add_image("Tensor_image", img_trans)
writer.close()

ToTensor()：

将PIL Image  numpy.ndarray 转换为 tensor

创建具体的工具 tool = transforms.ToTensor()

使用工具  result = tool(input)

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

img_path = "train/ants/20935278_9190345f6b.jpg"
img = Image.open(img_path)

writer = SummaryWriter("logs")

# ToTensor
trans_tensor = transforms.ToTensor()    # PIL Image or numpy.array
img_tensor = trans_tensor(img)
writer.add_image("ToTensor", img_tensor)

Normalize  归一化

transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])  参数：均值，标准差

# Normalize  归一化
print(img_tensor[0][0][0])  # 0层0行0列  transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])时，输出：0.8275
trans_norm = transforms.Normalize([1, 3, 5], [3, 2, 1])  # 参数：均值、标准差
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])  # 输出：0.6549
writer.add_image("Normalize", img_norm)

Resize  重置大小

输入为PIL Image

给定一个序列（h, w），最小的边匹配number，等比缩放

# Resize
trans_resize = transforms.Resize((512, 512))
# img PIL -> resize -> img_resize PIL
img_resize = trans_resize(img)
# img_resize PIL -> toTensor -> img_resize tensor
img_tensor_resize = trans_tensor(img_resize)
writer.add_image("Resize", img_tensor_resize, 0)

Compose  将多个参数功能整合

Compose()  中参数需要是一个列表，列表的数据表示形式为[数据1, 数据2, ...]

Compose()中，数据需要时transforms类型，得Compose([transforms参数1, transforms参数2, ...])

# Compose中参数需要一个列表，列表形式为[数据1, 数据2, ...]
# 在Compose中，数据需要的是transforms类型， Compose([transforms参数1, transforms参数2, ...])
trans_resize_2 = transforms.Resize(512)     # Resize中一个数，为按照图片最小边进行缩放
trans_compose = transforms.Compose([trans_resize_2, trans_tensor])   # 第一个参数：改变图片大小，第二个参数：转换类型
img_resize_2 = trans_compose(img)
writer.add_image("Resize2", img_resize_2, 1)

RandomCrop  随即裁剪

只会裁剪为指定(h, w) 宽高

# RandomCrop  随机裁剪
trans_rc = transforms.RandomCrop(128)
trans_comp = transforms.Compose([trans_rc, trans_tensor])
for i in range(10):
    img_crop = trans_comp(img)
    writer.add_image("RandomCropHW", img_crop, i)

writer.close()

Dataset 和 Transforms 联合使用

CIFAR10数据集*有60000张彩色图像，图像32×32，分为10个类。50000张用于训练，10000张用于测试

10类分别为['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

数据集中数据类型为：(tensor, 类别标号)

# dataset 和 transforms 联合使用
import torchvision
from torch.utils.tensorboard import SummaryWriter
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

dataset_transformer = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])

# root-数据加载目录  train-true为训练集，false加载测试集  download-是否下载  transform-是否将PIL转换为tensor
train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, transform=dataset_transformer, download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=dataset_transformer, download=True)

print(test_set[0])       # 输出: tensor(..., 3)  tensor, 类别
print(test_set.classes)  # 输出:总共十种类型,['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

img, target = test_set[0]
print(img)      # 输出:图片的tensor
print(target)   # 输出:类别 3
print(test_set.classes[target])  # 输出: cat
img.show()

writer = SummaryWriter("logs")
for i in range(10):
    img, target = test_set[i]
    writer.add_image("Test_set", img, i)

writer.close()