通常而言,数据不会以处理好的形式出现,所以我们需要在训练前对数据进行预处理,以适应训练
所有 TorchVision 的 Dataset 都会有两个参数—— transform 用于修改特征,target_transform 用于修改标签——它们接受包含转换逻辑的可调用对象(其实就是接受函数对象)。 torchvision.transforms 模块提供了几种常见的转换。
如下代码为例,我们所拿到的FashionMNIST的特征是一个PIL Image的格式,它的标签是一个Integer整数。但是我们训练的时候,希望特征是一个正则化后的张量,而标签是一个One-Hot向量张量。所以分别采用ToTensor和Lambda函数来进行处理
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
ds = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
ToTensor()
ToTensor() 函数可以将一个 PIL image 或者 NumPy ndarray 转换至一个 FloatTensor,同时放缩图像的像素值范围至0-1.
Lambda Transforms
Lambda可以用于定义任何一个用户定义的lambda表达式,使其成为函数,在上述定义的表达式中:
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
先初始化了一个维度为10的零向量,然后利用scatter_函数,将某一个维度的值赋为1
标签:lambda,torch,Transform,transform,ToTensor,import,2.4,Lambda From: https://www.cnblogs.com/zhouXX/p/17459317.html