官网地址：https://pytorch.org/vision/stable/index.html

Torchvision 是 PyTorch 的一个视觉处理工具包，独立于PyTorch，需要另外安装

它包括4个类，各类的主要功能如下：

• 1）datasets：提供常用的数据集加载，设计上都是继承自torch.utils.data.Dataset，主要
  包括MMIST、CIFAR10/100、ImageNet和COCO等。
• 2）models：提供深度学习中各种经典的网络结构以及训练好的模型（参数选择
  pretrained=True），包括AlexNet、VGG系列、ResNet系列、Inception系列等。
• 3）transforms：常用的数据预处理操作，主要包括对Tensor及PIL Image对象的操作。
• 4）utils：含两个函数，一个是make_grid，它能将多张图片拼接在一个网格中；另一个是 save_img，它能将 Tensor 保存成图片
  

---

1、torchvision.datasets

1.1 常用数据集加载 MNIST等

举例，通过torchvision下载 MNIST (mnist 全称：mixed national institute of standards and technology database)

train_dataset = torchvision.datasets.MNIST(root, 
                                           train=True, 
                                           transform=transform, 
                                           download=True)
1
2
3
4

root ：需要下载至地址的根目录位置
train：如果是True, 下载训练集 trainin.pt; 如果是False，下载测试集 test.pt； 默认是True
transform：一系列作用在PIL图片上的转换操作，返回一个转换后的版本
download：是否下载到 root指定的位置，如果指定的root位置已经存在该数据集，则不再下载

---

1.2 自定义数据集读取 ImageFolder

torchvision.datasets.ImageFolder(root, transform, target_transform, loader)
1

• root：图片存储的根目录，即各类别文件夹所在目录的上一级目录，在下面的例子中是 “…/input/data/”
• transform：对图片进行预处理操作（函数），原始图片作为输入，返回一个转换后的图片。
• target_transform：对图片类别进行预处理的操作，输入为 target，输出对其的转换。如果不传该参数，即对 target 不做任何转换，返回的顺序索引 0,1, 2…
• loader：表示数据集加载方式，通常默认加载方式即可

另外，该 API 有以下成员变量:

• self.classes：用一个 list 保存类别名称
• self.class_to_idx：类别对应的索引，与不做任何转换返回的 target 对应
• self.imgs：保存(img-path, class) tuple的 list，与我们自定义 Dataset类的 def getitem(self, index): 返回值类似。注意看下面实例中 dataset.imgs 的返回值

举例：数据存储结构如下

import torchvision
from torchvision import transforms, utils

trans = transforms.Compose([transforms.RandomCrop(400), transforms.ToTensor()])
dataset = torchvision.datasets.ImageFolder('/Users/manmi/Desktop/data/data', transform=trans)

print(dataset.classes)   # ['bird', 'cat', 'dog']
print(dataset.class_to_idx)   # {'bird': 0, 'cat': 1, 'dog': 2}
print(dataset.imgs)   # [('/Users/manmi/Desktop/data/data/bird/bird1.jpeg', 0), ('/Users/manmi/Desktop/data/data/bird/bird2.jpeg', 0), ...]

print(len(dataset))   # 11
print(dataset[0][0].size())   # torch.Size([3, 400, 400])
print(dataset[0][1])   # 0
1
2
3
4
5
6
7
8
9
10
11
12
13

---

2、torchvision.models

后补…

---

3、torchvision.transforms

3.1 对PIL Image的常见操作

1）转换为 tensor ToTensor()

ToTensor() 做了三件事：

• 把灰度范围从0-255 变换到 0-1之间，其将每一个像素值归一化到 [0,1]，其归一化方法比较简单，直接除以255即可
• 将 nump.ndarray 或 PIL.Image 转为 tensor，数据类型为 torch.FloatTensor
• 将shape 由 (H,W, C) 转为shape为 (C, H, W)

---

2）中心裁剪 CenterCrop()

torchvision.transforms.CenterCrop(size)   # 所需裁剪的图片尺寸
1

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

img_src = Image.open('./bird.jpg')

img_1 = transforms.CenterCrop(200)(img_src)
img_2 = transforms.CenterCrop((200, 200))(img_src)
img_3 = transforms.CenterCrop((300, 200))(img_src)
img_4 = transforms.CenterCrop((500, 500))(img_src)

plt.subplot(231)
plt.imshow(img_src)
plt.subplot(232)
plt.imshow(img_1)
plt.subplot(233)
plt.imshow(img_2)
plt.subplot(234)
plt.imshow(img_3)
plt.subplot(235)
plt.imshow(img_4)
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

以上例子我们可知：
（1）如果切正方形，transforms.CenterCrop(100) 和 transforms.CenterCrop((100, 100))，两种写size的方法，效果一样
（2）如果设置的输出的图片尺寸大于原尺寸，会在边上补黑色

---

3）随机裁剪 RandomCrop()

# 依据给定的size随机裁剪
torchvision.transforms.RandomCrop(size, 
                      padding = None, 
                      pad_if_needed = False, 
                      fill=0, 
                      padding_mode ='constant')
1
2
3
4
5
6

功能：
从图片中随机裁剪出尺寸为 size 的图片，如果有 padding，那么先进行 padding，再随机裁剪 size 大小的图片。

参数：

• size ：所需裁剪的图片尺寸
• padding: 设置填充大小
  • 当为 a 时，上下左右均填充 a 个像素
  • 当为 (a, b) 时，左右填充 a 个像素，上下填充 b 个像素
  • 当为 (a, b, c, d) 时，左上右下分别填充 a，b，c，d
• pad_if_needed：当图片小于设置的 size，是否填
• padding_mode：
  • constant: 像素值由 fill 设定 （默认）
  • edge: 像素值由图像边缘像素设定
  • reflect: 镜像填充，最后一个像素不镜像。([1,2,3,4] -> [3,2,1,2,3,4,3,2])
  • symmetric: 镜像填充，最后一个像素也镜像。([1,2,3,4] -> [2,1,1,2,3,4,4,4,3])
• fill：当 padding_mode 为 constant 时，设置填充的像素值 （默认为0）

4）其他更多图像变换操作

其他更多的图像变换操作，看这里吧

---

3.2 对 Tensor 的常见操作

1）归一化 Normalize()

作用: 用均值和标准差对张量图像进行归一化，
公式：$image=(image-mean)/std$

比如，原像素值的取值区间为 [0, 1]，在使用 transforms.Normalize(mean=[0.5,0.5,0.5], std=[0.5,0.5,0.5]) 进行归一化后，原像素值被分布到了 [-1, 1] 区间：

• 原来的 0~1 最小值 0 则变成 (0 - 0.5) / 0.5 = -1
• 最大值1则变成 (1 - 0.5) / 0.5 = 1

其中 mean 和 std 的3个值分表表示图像的3个通道
如果是单通道的灰度图，可以写成 transforms.Normalize(mean=[0.5], std=[0.5])

我们可能会看到很多代码里面是这样的：
torchvision.transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
这一组值是怎么来的呢？答案就是通过数据集，提前抽样计算出来的

---

2）转换为图像 ToPILImage()

将 Tensor类型数据转换为图片数据 PILImage， torchvision.transforms.ToPILImage() 函数的作用是把Tensor数据变为完整原始的图片数据（保存后可以直接双击打开的那种）
其内部处理过程为：

• 将Tensor的每个元素乘以255
• 将数据由Tensor转化成Uint8
• 将Tensor转化成numpy的ndarray类型
• 对ndarray对象做permute (1, 2, 0)的转置，将shape 由 (C, H, W) 转为shape为(H,W, C)
• 将ndarray对象转化成PILImage数据格式
• 输出该PILImage数据（save后可以直接打开）

---

4、torchvision.utils

4.1 图像拼接 grid

一行最多展示8张图片

import torch
import torchvision
from torchvision import transforms, utils
from torch.utils import data
import matplotlib.pyplot as plt

trans = transforms.Compose([transforms.RandomCrop(400), transforms.ToTensor()])
dataset = torchvision.datasets.ImageFolder('./data', transform=trans)
train_loader = data.DataLoader(dataset, batch_size=2, shuffle=True)

for (img, label) in train_loader:
    grid = utils.make_grid(img)
    plt.imshow(grid.numpy().transpose((1, 2, 0)))
    plt.show()
    break
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

---

4.2 tensor存储为图片 save_img

torchvision.utils.save_img(img, path)
1

image 的数据类型是tensor