图像数据增强和标准化

transforms.Resize((256, 256)),

• 操作：调整图像大小输入图像的大小调整为256x256像素。

transforms.RandomHorizontalFlip(),

• 操作：随机水平翻转。

transforms.RandomRotation(degrees=30),

• 操作：随机旋转（在-30度到30度之间）。

transforms.ToTensor(),

• 操作：转换为张量。

  #transforms.ToTensor()-优快云博客

以这几个为例

实例：

import matplotlib.pyplot as plt
from PIL import Image
from torchvision import transforms

# 定义数据转换
transform = transforms.Compose([
    transforms.Resize((256, 256)),
    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(degrees=30),
])

# 加载图片
image_path = 'D:\\python_learning\\pythonProject_conda\\ceshi\\dog.jpg'  # 注意路径中的反斜杠需要转义
original_image = Image.open(image_path)

# 应用转换
processed_image = transform(original_image)

# 将Tensor转换回NumPy数组以显示
processed_image = processed_image.numpy().transpose(1, 2, 0)  # 将CHW转换为HWC
processed_image = (processed_image * 255).astype('uint8')  # 将[0,1]范围的值转换回[0,255]

# 创建一个1行2列的子图
fig, axes = plt.subplots(1, 2, figsize=(10, 5))

# 显示原始图片
axes[0].imshow(original_image)
axes[0].set_title('Original Image')
axes[0].axis('off')  # 不显示坐标轴

# 显示处理后的图片
axes[1].imshow(processed_image)
axes[1].set_title('Processed Image')
axes[1].axis('off')  # 不显示坐标轴

# 显示图片
plt.show()

输出：

 这些操作通常在数据加载阶段被组合使用，以创建一个预处理流水线，对数据集中的每个图像都应用相同的预处理步骤。这样可以确保数据在输入模型之前是标准化和增强过的，有助于提高模型的性能和泛化能力。

简单来说这些变体虽然源自同一张原始图像，但由于旋转、翻转、缩放等变换，对于模型来说就像是全新的数据。