PyTorch transforms_tutorial 分析

transforms_tutorial 主要介绍了PyTorch中的transforms模块，它可以帮助我们在数据预处理时进行多种变换操作。

首先，它介绍了基本的图像变换，如裁剪、旋转、翻转等。然后，它介绍了随机变换，如随机裁剪、扭曲、亮度、对比度等。这些随机变换使得我们可以扩展数据集，从而提高模型的泛化能力。

接着，教程介绍了如何将transforms与PyTorch的数据加载器Dataset和DataLoader结合起来使用。这使得我们可以在加载数据时对它们进行变换。

最后介绍了如何自定义transforms。我们可以编写自己的函数来实现特定的变换，从而更好地满足我们的需求。

转换

数据并不总是以最终处理好的形式出现，以便于进行机器学习算法的训练。我们使用 transform 来对数据进行一些操作，使其适合于训练。

所有的 TorchVision 数据集都有两个参数—— transform 用于修改特征， target_transform 用于修改标签，这两个参数可以接受包含转换逻辑的可调用函数。torchvision.transforms 模块提供了多个常用的转换。

FashionMNIST 中的特征是 PIL Image 格式，标签是整数。对于训练，我们需要将特征转换为归一化的张量，将标签转换为独热编码张量。为了进行这些转换，我们使用 ToTensor 和 Lambda 。

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

# 加载FashionMNIST数据集，对特征进行 ToTensor() 转换，对标签进行 Lambda() 转换
ds = datasets.FashionMNIST(
    root="~/data",
    train=True,
    download=True,
    transform=ToTensor(),
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)

ToTensor()

ToTensor() 方法将PIL图像或NumPy ndarray 转换为 FloatTensor ，并将图像的像素强度值缩放到 [0., 1.] 范围内。

Lambda Transforms

Lambda transforms应用任何用户定义的lambda函数。这里，我们定义一个函数将整数转换为one-hot编码张量。它首先创建一个大小为10（数据集中的标签数）的零张量，并调用 scatter_ 将值 value=1 分配给标签y指定的索引。

target_transform = Lambda(lambda y: torch.zeros(
    10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))