torchvision的tranform中，读取图像采用PIL图像，而一般情况下我们都是用cv2，这里介绍下两者的区别，
PIL读取图片scale为（0~1），读取为RGB格式，对于彩色图像，不管其图像格式是PNG，还是BMP，或者JPG，在PIL中，使用Image模块的open()函数打开后，返回的图像对象的模式都是“RGB”。而对于灰度图像，不管其图像格式是PNG，还是BMP，或者JPG，打开后，其模式为“L”。
- data = np.array(Image.open(img_path))
- data = np.transpose(data,(2,0,1))#转换通道
caffe.io.load_image()读取图片scale为（0~1），读取为RGB格式，通道格式为(H,W,C)
cv2.imread()读取图像scale为（0~255），读取为BGR 格式，通道格式为(H,W,C)，即行，列、通道数(Row, Col, C)。
round() 函数作用就是，返回浮点数x的四舍五入值。
round( x [, n] )
参数x，n均为数值表达式，返回值为x的四舍五入值。n为保留的小数位数，不加n则只保留x四舍五入后的整数部分。
>>> round(2.3)
2
>>> round(2.45, 1)
2.5
>>> round(2.675, 2)
2.67
round()函数只有一个参数，不指定位数的时候，返回一个整数，而且是最靠近的整数，类似于四舍五入，当指定取舍的小数点位数的时候，一般情况也是使用四舍五入的规则，但是碰到.5的情况时，如果要取舍的位数前的小数是奇数，则直接舍弃，如果是偶数则向上取舍。根据取舍的位数前的小数奇偶性来判断，奇偶平分，符合公平性原则。
为什么需要平分呢？原因就是部分小数无法用二进制完整表示，如1.15，转为二进制将是很长的一串数字：1.0010011001100110011001100110011001100110011001100110011 这可不是简单的几个字节就能存放下的。因此这里就出现了取舍的问题。
那么正确的四舍五入是否无法实现了呢？当然是有解决办法的。比如，当你需要四舍五入保留两位小数的时候，可以将数值乘以100再除以100.0：
>>> round(2.675 * 100)/100.0
2.68
这样可以解决部分浮点数四舍五入的问题。为什么是部分呢？笔者发现：
>>> round(2.135*100)/100.0
2.13
检验下过程：
>>> 2.135*100
213.49999999999997
>>> Decimal(2.135)*100
Decimal('213.4999999999999786837179272')
由于二进制导致这个结果