【Pytorch】3.Transforms的运用

PyTorchTransforms：数据转换与ToTensor操作指南,
最新推荐文章于 2025-12-11 23:32:15 发布
原创 最新推荐文章于 2025-12-11 23:32:15 发布 · 490 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch #pycharm #terraform

什么是Transforms

在PyTorch中，transforms是用于对数据进行预处理、增强和变换的操作集合。transforms通常用于数据载入和训练过程中，可以包括数据的归一化、裁剪、翻转、旋转、缩放等操作，以及将数据转换成PyTorch可以处理的Tensor格式。

Transforms的使用

首先导入包

from torchvision import transforms

实际上是导入了一个文件，文件名为transforms，我们目前主要查看一下其中的ToTensor类
我们可以查看一下其中的源码
在这里插入图片描述
我们可以看到这个类的主要作用是 将PIL Image或者是numpy.ndarray类型转化为tensor类型
其中的__call__方法，类似于c++重载()运算符
在这里插入图片描述

使用PIL image格式

最低0.47元/天 解锁文章
PyTorch快速入门教程【小土堆】-Transforms的使用
weixin_42182290的博客
05-02 1662
常用的transforms
PyTorch学习笔记-7.PyTorch训练技巧
ruoqi23的博客
08-03 2691
7.PyTorch训练技巧 7.1.模型保存与加载 保存： torch.save 主要参数： • obj：对象 • f：输出路径 保存分为两种模式： 1:保存整个Module，即保存了整个模型的框架和参数 torch.save(net, path) 2:保存模型参数，即只保存模型的参数，下次使用时需要自己重新构建框架 state_dict = net.state_dict() torch.save(state_dict , path) 加载： 2. torch.load 主要参数 • f：..
Python安装torch，transformers库
热门推荐
神使墨丘利的博客
03-31 1万+
Python安装torch于transformers库
PyTorch学习——transforms.Resize和transforms.Compose等等的使用
qq_61300242的博客
11-13 896
本专栏是用于记录pytorch的学习过程，本章将围绕transforms的一些重要工具进行讲解，比如ToTensor、Resize、Compose等等，以及和tensorboard的组合运用
PyTorch 学习by_LX（二）:torchvision.transforms
酬勤的博客
05-24 394
1.图像显示、类型、转换 1.1 PIL.Image图片与Tensor之间的转换 在PIL的Image模块中： 对于彩色图像，图像格式PNG/BMP/JPG，使用open()函数打开返回的图像对象的模式都是“RGB”； 对于灰度图像，其模式为“L”。 import torch from torchvision import transforms from PIL import Image import cv2 img_path = "F:/Jupyter/image/ZZF3.jpg" img_P
Pytorch torch.autograd 与torch.optim的区别//一个求模型里面的梯度，一个通过再梯度来更新模型参数权重
To be a better man
12-09 741
Pytorch torch.autograd 与torch.optim的区别//一个求模型里面的梯度，一个通过再梯度来更新模型参数权重 #更新权重值，更新过程使用下面的公式： weight = weight + learning_rate * gradient 1.Pytorch autograd,backward详解//这两个函数都是求参数梯度的 Pytorch autograd,backward详解 - 知乎 2.Pytorch学习记录｜torch.autograd和torch.optim//
PyTorch张量操作指南：cat、stack、split与chunk的实战拆解
neweastsun的专栏
04-12 2130
函数核心作用维度变化输入要求torch.cat沿现有维度拼接不变各张量形状需匹配新建维度堆叠+1维所有张量形状完全相同按尺寸分割不变需指定分割尺寸或份数按数量均分不变总长度需可分配应用建议当需要合并同类数据且保留原始维度时用cat；若需扩展维度以表示批次或通道时用stack；对序列数据分段处理优先考虑split；均匀划分特征图或张量时选择chunk。掌握这些工具后，您将能更灵活地操控张量维度，适应复杂模型的构建需求！
【Pytorch】13.搭建完整的CIFAR10模型
Elephant_King的博客
05-18 1603
我们可以在网上搜到CIFAR10的网络模型，通过网络模型来搭建网络，具体可以看【Pytorch】10.CIFAR10模型搭建return x这里我们新创建了一个model.py用于专门存储网络结构，这样在我们的训练文件中，可以通过# 3.创建神经网络来导入我们自定义的神经网络。
Pytorch-1-入门-笔记+code
chierhy的博客
02-25 377
tensor, autograd, neural network, cifar10
PyTorch vs. TensorFlow：如何选择适合自己的深度学习框架
# 1. 深度学习框架简介 深度学习框架作为实现神经网络模型的工具，在近年来蓬勃发展。...在本文中，我们将深入探讨PyTorch和TensorFlow这两大框架的核心概念、应用技巧以及如何选择适合自己的深度学习
PyTorch学习日志.zip
07-23
数据增强通常涉及旋转、翻转、裁剪等操作，PyTorch的`torchvision.transforms`模块提供了这些功能。 3. **模型构建**： 在PyTorch中，模型是通过继承`nn.Module`类并定义`forward`函数来创建的。可以使用预训练...
日拱一卒之pytorch中的矩阵乘法
fantasygwh2015的博客
12-06 831
$\begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \end{bmatrix}$ (看起来像截断的单位矩阵)新建一个栏目，主要的点在于每天都要有点进步，每天进步千分之一，总归会有强大的一天。，不动它，然后对剩下的两个维度进行标准的 2D 矩阵乘法。（它仅仅是改变了看待数据的方式，因此叫 "view"）。​ 用于将一个张量（Tensor）重塑为不同的形状，但。是两个非常核心的张量（Tensor）操作函数。的缩写，执行的是标准的线性代数中的。​）时，执行的操作被称为。
Pytorch--张量
whitelbwwww的博客
12-11 650
张量从结构上来说就是一个多维的数据，其可以储存任意维度的元素，同时它和numpy的数组一样，都可以通过shape来显示维度大小，或者使用X(x1,x2...,xn)来表示某个元素的索引，但是，张量中的每一个元素都是一个更小的张量，而非像数组一样存在int或者float数据类型，同时张量还有自己的特性特性普通多维数组深度学习中的张量自动微分通常不支持核心特性！可自动计算梯度，这是神经网络训练（反向传播）的基石。计算优化通用计算针对GPU（CUDA）等硬件进行深度优化，能极大加速大规模矩阵运算。设备感知。
对比tensorflow，从0开始学pytorch（二）--多尺度实现
最新发布
技术+管理+经验+沟通+人品=>合格的项目管理者
12-11 111
GMS层=传递特征+显著特征+细节特征的拼接。用pytorch实现多尺度，一开始还吐槽为什么pytorch没有像tensorflow一样提供GAP和GMP这种最基本的层，才发现有AdaptiveAvgPool2d和AdaptiveMaxPool2d这种功能更加强大的层。
【torch.compile】PyTorch2.0新特性概览
jack.li的博客
12-11 378
PyTorch 2.0引入了革命性的torch.compile功能，实现了动态图灵活性与静态图性能的完美结合。本章深入解析其核心架构：TorchDynamo负责图捕获，AOTAutograd处理自动微分，TorchInductor进行代码生成。通过算子融合等技术，可显著提升模型性能（ResNet-50推理加速1.71x）。同时对比了PyTorch编译技术栈（TorchScript、TorchFX、Lazy Tensor）的适用场景，指导开发者根据不同需求选择最佳方案。本章为理解PyTorch 2.0的编译优
DefaultCPUAllocator: can‘t allocate memory
weixin_45776000的博客
12-11 311
【代码】DefaultCPUAllocator: can‘t allocate memory。
PyTorch 核心方法：state_dict ()、parameters () 参数打印与应用
weixin_38647644的博客
12-11 644
本文以LeNet-5模型为例，介绍了PyTorch中三种获取模型参数的方法：state_dict()返回有序字典形式的参数名称和张量；parameters()生成器仅包含参数信息；named_parameters()生成器同时提供模型名称和参数。通过代码示例展示了各方法的输出格式，并演示了如何利用named_parameters()进行模型参数冻结操作。这些方法为模型分析、参数调整和迁移学习提供了便利工具，适用于深度学习模型的调试和优化过程。
PyTorch 从小白到高级进阶教程[工业级示例]（三）
OuNuo5280的博客
12-11 333
本文系统介绍了PyTorch的高级优化策略和工业级应用方案。主要内容包括：1）三大优化技术：梯度裁剪解决RNN梯度爆炸、早停防止过拟合、Albumentations增强数据；2）常见问题解决方案：显存不足的梯度累积、过拟合的模型剪枝、训练速度慢的编译优化；3）前沿技术应用：LoRA轻量化微调大模型、扩散模型实现图像生成；4）完整工业项目示例，涵盖配置管理、日志监控和部署全流程。文章还提供了循序渐进的学习路径和工程实践建议，帮助开发者从基础使用进阶到工业级应用。
PyTorch 从小白到高级全阶段学习大纲（一）
OuNuo5280的博客
12-11 537
本大纲提供了一套系统的PyTorch学习路径，分为4个核心阶段：零基础入门（掌握张量操作和基础网络）、核心进阶（CNN/RNN实现）、高级特性（自定义扩展和分布式训练）以及工程实战（项目落地和模型部署）。每个阶段包含明确的学习目标、知识点、实践任务和验收标准，强调理论与实践结合，从基础语法到工业级应用逐步深入。配套资源包括官方文档、实战平台和工具推荐，建议以实践驱动、问题导向的方式学习，确保每个阶段扎实掌握后再进阶。
pytorch 3D卷积
02-21
### 使用 PyTorch 实现 3D 卷积神经网络 在计算机视觉领域，尤其是处理视频或其他三维数据时，3D 卷积操作能够捕捉空间和时间维度上的特征[^1]。为了构建一个基于 PyTorch 的 3D CNN 模型，可以定义一个新的类继承自 `nn.Module` 并重写其构造函数与前向传播方法。 下面是一个简单的例子来展示如何创建并训练一个用于分类任务的小型 3D-CNN： ```python import torch from torch import nn, optim from torchvision import datasets, transforms class Simple3DCNN(nn.Module): def __init__(self): super(Simple3DCNN, self).__init__() # 定义三层3D卷积层 self.conv_layer = nn.Sequential( nn.Conv3d(in_channels=1, out_channels=64, kernel_size=(3, 3, 3), padding=1), nn.ReLU(), nn.MaxPool3d(kernel_size=2), nn.Conv3d(in_channels=64, out_channels=128, kernel_size=(3, 3, 3), padding=1), nn.ReLU(), nn.MaxPool3d(kernel_size=2), nn.Conv3d(in_channels=128, out_channels=256, kernel_size=(3, 3, 3), padding=1), nn.ReLU(), nn.MaxPool3d(kernel_size=2) ) # 全连接层 self.fc_layer = nn.Sequential( nn.Linear(256 * 2 * 2 * 2, 1024), nn.ReLU(), nn.Dropout(p=0.5), nn.Linear(1024, 512), nn.ReLU(), nn.Dropout(p=0.5), nn.Linear(512, num_classes) # 假设有num_classes个类别 ) def forward(self, x): batch_size = x.size(0) # 提取特征 features = self.conv_layer(x) # 展平成一维向量作为全连接层输入 flatten_features = features.view(batch_size, -1) # 获取最终预测结果 output = self.fc_layer(flatten_features) return output ``` 此代码片段展示了怎样利用 PyTorch 中的 `torch.nn.Conv3d()` 函数轻松地设置多层 3D 卷积核，并通过最大池化减少参数数量以防止过拟合现象的发生。此外，在最后一部分还加入了两个线性的变换（即全连接层），以便于后续的任务如分类等应用需求[^2]。 值得注意的是，实际应用场景中的模型可能会更加复杂，可能涉及到更深更宽广架构的设计、正则化的运用以及其他优化技巧的应用。对于特定的数据集而言，则需调整超参数比如学习率、批量大小等因素确保最佳性能表现[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值