transform归一化处理

2022/1/11 23:05:07

本文主要是介绍transform归一化处理,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

在加载数据集的时候我们需要对读入的图片进行归一化处理,在pytorch里使用torchvision中的transform来对其进行处理,这里不介绍旋转,裁剪等操作,进介绍归一化操作,会用到下面两个函数

  • transforms.ToTensor()
  • transforms.Normalize()

一般处理图片时有两个操作,第一步将其归一化为0-1之间,第二步在使用Normalize进行归一化

ToTensor

这一步很简单,将图片归一化到[0, 1]之间,即将图片像素(max 255)除上255即可,同时将HWC转化为CHW。如下所示,将1除上255即的0.0039

import numpy as np
from torchvision import transforms
data = np.array([[[1, 1, 1], 
                  [2, 2, 2]],
                 [[3, 3, 3], 
                  [4, 4, 4]]], dtype='uint8')
print(data)
print(data.shape)
transform = transforms.Compose([transforms.ToTensor()])
data = transform(data)
print(data)
print(data.shape)
'''
[[[1 1 1]
  [2 2 2]]

 [[3 3 3]
  [4 4 4]]]
(2, 2, 3)
tensor([[[0.0039, 0.0078],
         [0.0118, 0.0157]],

        [[0.0039, 0.0078],
         [0.0118, 0.0157]],

        [[0.0039, 0.0078],
         [0.0118, 0.0157]]])
torch.Size([3, 2, 2])
'''

Normalize

需要给Normalize指定参数,Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))

其中((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),第一个括号内分别为RGB通道的均值,第二个括号内分别为RGB通道的方差,首先我们手动计算一下三个通道的均值和方差,由于上述例子不难,我们直接能得到均值和方差为别为(2.5, 2.5, 2.5),(1.118, 1.118, 1.118)

import torch
import numpy as np
from torchvision import transforms
data = np.array([[[1, 1, 1], 
                  [2, 2, 2]],
                 [[3, 3, 3], 
                  [4, 4, 4]]], dtype='uint8')
print(data)
print(data.shape)
transform = transforms.Compose([transforms.ToTensor(),
                                transforms.Normalize((2.5, 2.5, 2.5), (1.118, 1.118, 1.118))])
data = transform(data)
print(data)
print(data.shape)
'''
[[[1 1 1]
  [2 2 2]]

 [[3 3 3]
  [4 4 4]]]
(2, 2, 3)
tensor([[[-2.2326, -2.2291],
         [-2.2256, -2.2221]],

        [[-2.2326, -2.2291],
         [-2.2256, -2.2221]],

        [[-2.2326, -2.2291],
         [-2.2256, -2.2221]]])
torch.Size([3, 2, 2])
'''

为了验证上述结果我们这里手动计算一下结果,可以发现与上述结果相同

import numpy as np
from torchvision import transforms
data = np.array([[[1, 1, 1], 
                  [2, 2, 2]],
                 [[3, 3, 3], 
                  [4, 4, 4]]], dtype='uint8')
print(data)
print(data.shape)
data = data/255

data = (data[:,:,:]-2.5)/1.118
print(data)
'''
[[[1 1 1]
  [2 2 2]]

 [[3 3 3]
  [4 4 4]]]
[[[-2.23262829 -2.23262829 -2.23262829]
  [-2.22912063 -2.22912063 -2.22912063]]

 [[-2.22561296 -2.22561296 -2.22561296]
  [-2.2221053  -2.2221053  -2.2221053 ]]]
'''

这里就会产生一个问题,为什么最终结果没有归一化到[-1, 1]之间呢,这是因为我们最终通过 x − u σ \frac{x-u}{\sigma} σx−u​归一化的结果为标准正态分布,如果要归一化到[-1, 1]需要将均值设为0.5,方差为0.5才可以,这是因为第一步ToTensor归一化到[0, 1]之后,减去0.5除上0.5就能够到[-1, 1],我们只需要改变Normalize的参数,transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))下面经过试验可以看到确实范围在[-1, 1]了

[[[1 1 1]
  [2 2 2]]

 [[3 3 3]
  [4 4 4]]]
(2, 2, 3)
tensor([[[-0.9922, -0.9843],
         [-0.9765, -0.9686]],

        [[-0.9922, -0.9843],
         [-0.9765, -0.9686]],

        [[-0.9922, -0.9843],
         [-0.9765, -0.9686]]])
torch.Size([3, 2, 2])


这篇关于transform归一化处理的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程