Pytorch之transforms

---

一、transforms是什么？

transforms 对应 transform.py 文件。可以理解成一个工具箱，里面定义的各种类和方法，可以处理图片，对图片进行加工，得到我们想要的结果。

常用的输入图片对象的数据类型

PIL : Image.open()
tensor : ToTensor()
ndarrays: cv.imread()
常用的Transform有：

1.ToTensor() ：将图片对象类型转为 tensor
2.Normalize() ：对图像像素进行归一化计算
3.Resize():重新设置 PIL Image的大小,返回也是PIL Image格式
4.Compose(): 输入为 transforms类型参数的列表，

关于transforms的导入如下

from torchvisoin import transforms

二、Tensor

1.为何引入tensor类型的变量呢

深度学习引入tensor类型的变量是因为深度学习模型中涉及大量的矩阵运算和张量运算。Tensor（张量）是多维数组的抽象表示，可以表示各种数据类型，如标量（0维张量）、向量（1维张量）、矩阵（2维张量）以及更高维度的数组。在深度学习中，神经网络的参数和输入数据都可以表示为张量，通过张量操作可以高效地进行大规模数据的运算和处理。
Tensor数据类型还包装了神经网络需要的一些参数，如下图。

Tensor类型的变量具有以下优点：

1. 支持并行计算：张量运算可以在GPU等并行计算设备上高效执行，加速深度学习模型的训练和推理过程。
2. 灵活性：张量可以表示不同维度的数据，适用于各种深度学习任务，如图像处理、自然语言处理等。
3. 数学表达能力：张量操作支持各种数学运算，如矩阵乘法、逐元素操作等，方便构建复杂的神经网络模型。

因此，引入tensor类型的变量可以更好地满足深度学习模型对数据表示和运算的需求，提高模型的效率和灵活性。

2.代码示例

代码如下（示例）：

from torchvision import transforms
from PIL import Image

img_path = "S:/pythonProject/1.png"
img = Image.open(img_path)

tensor_trans = transforms.ToTensor()    #创建工具
tensor_img = tensor_trans(img