初步掌握Transforms的基本使用
在深度学习中，Transforms是图片处理最强大的工具，只要是进行图片操作，就离不开Transforms。
在应用中多把Transforms看作是图片处理的工具箱，内有多种工具，如ToTensor、Normalize等，它们可以对图像进行操作。除此之外，在此工具的基础上，我们也可以构建自己的图像处理工具。
接下来介绍Transforms中几个常用的工具
（一）Compose()
在Transforms中，Compose可以应对图像的多种变化，即可将下列的图像变化按需求组成一个序列，以流水线的形式完成图像的组合变化。
"""
transforms.Compose() 接受一个变换列表，并返回一个新的、组合后的变换。 这特别适合在处理图像时，需要链式应用多个变换操作的场景。输入参数为列表([>>> transforms.CenterCrop(10),>>> transforms.PILToTensor(),>>> transforms.ConvertImageDtype(torch.float),>>> ])
"""
trans_pipeline = transforms.Compose([transforms.Resize(218),transforms.Normalize((0.3,0.4,0.5),(3,4,5))])
img_compose = trans_pipeline(img_tensor)
print(img_compose)
writer.add_image("Resived_Img",img_compose,3)
writer.close()（二）ToTensor()
ToTensor()将 PIL 图像或 numpy.ndarray 转换为 Tensor，并归一化到 [0, 1] 之间。
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
writer = SummaryWriter('logs')
img_path = "data/train/bees_image/29494643_e3410f0d37.jpg"
img = Image.open(img_path)
trans_totensor = transforms.ToTensor()
#PIL->Tensor
img_tensor = trans_totensor(img)#将PIL图片转化为Tensor格式
writer.add_image('Tensor_Img', img_tensor)
writer.close()(三)Normalize()
对 Tensor 进行标准化处理，即 (x - mean) / std
"""输入参数为Tensor图片、平均值和标准差output[channel] = (input[channel] - mean[channel]) / std[channel]输出为Tensor
"""
trans_norm = transforms.Normalize((10,2.2,0.4),(0.3,0.4,0.5))
img_norm = trans_norm(img_tensor)
print(img_norm)
writer.add_image("Normalized_Img",img_norm,2)
writer.close()(四)Resize()
调整图像大小
"""
Resize的使用：将图片输出为指定尺寸输入参数为Tensor类型(int,int)-->(高，宽);int-->高宽一致输出为Tensor
"""
trans_resize = transforms.Resize(512)
img_revise = trans_resize(img_tensor)
print(img_revise)
writer.add_image("Resived_Img",img_revise,1)
writer.close()(五)其他工具
1.尺寸调整和裁剪
transforms.Resize(size): 调整图像大小。
transforms.CenterCrop(size): 从中心裁剪图像。
transforms.RandomResizedCrop(size): 随机调整图像大小并裁剪。
2. 数据增强
transforms.RandomHorizontalFlip(p=0.5): 随机水平翻转图像。
transforms.RandomVerticalFlip(p=0.5): 随机垂直翻转图像。
transforms.RandomRotation(degrees): 随机旋转图像一定角度。
transforms.RandomAffine(degrees, translate): 随机仿射变换。
3.归一化和张量转换
transforms.ToTensor(): 将 PIL 图像或 numpy.ndarray 转换为 Tensor，并归一化到 [0, 1] 之间。
transforms.Normalize(mean, std): 对 Tensor 进行标准化处理，即 (x - mean) / std。
4.色彩变换
transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0): 随机改变图像的亮度、对比度、饱和度和色相。
transforms.Grayscale(num_output_channels=1): 将图像转换为灰度图。
参考：【PyTorch】掌握transforms.Compose：PyTorch数据预处理的强大工具_transforms compose-CSDN博客