torchvision.transforms 概述
torchvision.transforms 是 PyTorch 官方计算机视觉库 torchvision 中的一个核心模块，专门用于图像的预处理和 数据增强
在深度学习训练流程中，原始图片通常不能直接输入模型，需要经过一系列变换：
- 格式转换：将图片文件（PIL Image 或 NumPy 数组）转换为 PyTorch 的 Tensor
- 尺寸统一：将不同大小的图片调整为模型固定的输入尺寸（如 224x224）
- 数据增强：通过随机变换（翻转、裁剪、变色等）扩充数据集，防止模型过拟合，提高泛化能力
- 标准化：对像素值进行归一化，加速模型收敛
1. 容器与组合
通常使用 transforms.Compose 将多个变换操作串联起来，形成一个处理流水线：
-
作用：将多个 transform 操作组合在一起，按顺序执行
-
参数：
transforms(list of Transform objects): 包含要执行的变换列表
-
示例：
transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), ])
2. 格式与数值转换
这些变换主要用于改变数据的数据类型或数值范围，通常放在 Compose 的末尾
transforms.ToTensor
- 作用：将 PIL Image 或 numpy.ndarray (H x W x C) 转换为 tensor (C x H x W)
- 数值变化：会自动将像素值从 [0, 255] 归一化到 [0.0, 1.0] 之间
- 注意：这是最基础的一步，大多数 CNN 模型都需要输入 Tensor
- 位置： 通常放在几何/颜色变换之后，Normalize 之前
transforms.Normalize(mean, std)
-
作用：用均值和标准差对 Tensor 进行标准化
-
公式：
-
参数：
mean(sequence): 各通道的均值std(sequence): 各通道的标准差
-
常用值：对于 ImageNet 预训练模型，通常使用：
- mean =
[0.485, 0.456, 0.406] - std =
[0.229, 0.224, 0.225]
- mean =
-
目的：使数据分布呈标准正态分布，有助于梯度下降算法更快收敛
3. 几何变换
主要用于改变图像的空间结构，是数据增强的重要手段
transforms.Resize(size, interpolation=…)
- 作用：调整图像大小
- 参数：
size(int or tuple): 输出尺寸。如果是一个整数 (e.g., 256)，则将较短边缩放到该数值，另一边按比例缩放；如果是 (h, w)，则强制缩放到该尺寸
transforms.RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(0.75, 1.33)) (训练时常用)
- 作用：先随机裁剪出图片的一部分，然后将其缩放到指定大小。这是训练 CNN 非常强大的增强手段，迫使模型学习物体的局部特征。
- 参数：
size: 最终输出的大小scale: 随机裁剪面积的比例区间，默认 (0.08, 1.0)ratio: 裁剪区域的长宽比范围
transforms.RandomHorizontalFlip(p=0.5)
- 作用：以一定概率水平翻转图像（左右镜像）
- 参数：
p(float): 翻转概率，默认为 0.5
transforms.RandomRotation(degress)
- 作用：随机旋转图像
- 参数：
degrees(sequence or float/int): 旋转角度范围。如(-10, 10)或15(表示 -15 到 15 度)
4. 颜色变换
用于改变图像的色彩属性，模拟不同的光照条件
transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)
- 作用：随机改变图像的亮度、对比度、饱和度和色调
- 参数：
brightness(float): 亮度抖动范围contrast(float): 对比度抖动范围saturation(float): 饱和度抖动范围hue(float): 色调抖动范围
transforms.Grayscale(num_output_channels=1)
- 作用：将图像转换为灰度图
- 参数：
num_output_channels(int): 输出通道数（1或3）
5. 综合示例：构建训练与验证 Transform
在实际项目中，训练集通常需要较强的数据增强，而验证/ 测试集只需要确定性的调整大小和归一化。
以下示例使用 Food-11 数据集：
import torch
from torchvision import transforms
import matplotlib.pyplot as plt
import numpy as np
# 1. 定义训练集的 Transform (包含数据增强)
train_transform = transforms.Compose([
# 几何变换：增强空间不变性
transforms.RandomResizedCrop(224), # 随机裁剪并缩放到 224x224
transforms.RandomHorizontalFlip(p=0.5), # 50%概率水平翻转
transforms.RandomRotation(15), # 随机旋转 +/- 15度
# 颜色变换：增强光照不变性
transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2),
# 格式转换
transforms.ToTensor(), # 转为Tensor, 归一化至[0,1]
# 标准化 (使用ImageNet统计量)
transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])
])
# 2. 定义验证/测试集的 Transform (仅基础处理)
val_transform = transforms.Compose([
transforms.Resize((224, 224)), # 确定性地调整大小
# 或者先Resize大一点再CenterCrop，效果可能更好：
# transforms.Resize(256),
# transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])
])
# 可视化 Tensor 图片
def imshow(tensor_img, title=None):
"""
将 Normalize 后的 Tensor 还原为可视化的 numpy 图片
"""
# Clone 以免修改原数据
img = tensor_img.clone().detach().cpu().numpy()
# 维度变换: (C, H, W) -> (H, W, C)
img = img.transpose((1, 2, 0))
# 反标准化 (Un-Normalize): img = img * std + mean
mean = np.array([0.485, 0.456, 0.406])
std = np.array([0.229, 0.224, 0.225])
img = img * std + mean
# 截断数值到 [0, 1] 范围，防止因浮点误差导致的显示噪点
img = np.clip(img, 0, 1)
plt.imshow(img)
if title:
plt.title(title)
plt.axis('off') # 不显示坐标轴
plt.show()
# 使用示例
# 假设 img 是 PIL Image 对象
# transformed_img = train_transform(img)
# imshow(transformed_img, title="Augmented Image")总结
- ToTensor() 是必须的，它连接了 PIL/NumPy 和 PyTorch Tensor
- Normalize() 是训练高性能模型的标准配置
- Compose() 像胶水一样把各种变换粘合在一起
- 在实验中，可视化非常重要，但要注意 Normalize 后的图片不能直接画，需要先反归一化