transforms对图像进行改造
最靠谱的办法：根据help文件自行学习transforms包含哪些工具（类）以及如何使用
————————————————————————————————————
自学一个类时，应关注：
1、如何使用
各种工具（类）的使用思路：创建对象（实例化）——>传入参数，调用函数（如有__call__函数，则直接调用对象；如果无~，则调用对应的方法）——>返回需要的结果
2、输入、输出、数据类型
怎么看需要传入什么以及在哪传入？如果__init__需要用到的（除了self和设置了默认值的参数），在创建对象时就须传入；如果是其他各种方法用到的，在调用这些方法时再传入。参数的具体说明在“Args”处看
如果没有写输出的数据类型，可以用print(type(img))看
3、函数作用是什么
__init__函数和__call__函数：
1、__init__函数：创建一个类的实例化，每当创建一个类的实例对象python解释器都会主动去调用它（使用此函数第一个参数必须为self）
2、__call__函数：使得类实例对象可以像调用普通函数那样使用
__init__是类里面一定会定义的，但call未必
如果类里面包含__call__函数，则可以直接调用对象，括号内传入参数，以使用类里面的方法output = obj(input)
如果类里面无__call__函数，则使用类里面的方法时，需要用.调用方法&传入参数output = obj.method(input)
————————————————————————————————————
transforms里比较常用的类：
1、ToTensor：把图像类型（PIL、ndarray）转为Tensor类型——CHW
import cv2
img = cv2.imread(img_path)
使用cv2.imread读取图片，默认img类型为numpy（使用颜色通道为BGR）
from PIL import Image
img = Image.open(img_path)
使用Image.open读取图片，默认img类型为PIL（使用颜色通道为RGB）
transforms.ToTensor可将上述两种数据类型转为Tensor
为什么需要Tensor数据类型？包装了反向神经网络所需要的一些参数
from PIL import Image
from torchvision import transforms
img_path = r'D:\ai-learning\pytorch\hymenoptera_data\train\bees\16838648_415acd9e3f.jpg'
img = Image.open(img_path)
# 创建对象（实例化）——>传入参数，调用函数——>返回需要的结果
tensor_trans = transforms.ToTensor() # 创建对象
tensor_img = tensor_trans(img)
# __call__是一个魔术工具，可以把实例对象当做函数调用
2、ToPILImage：把图像类型（ndarray、Tensor）转为PIL类型
3、Normalize：将Tensor数据类型的图像的每个通道归一化（实际上是标准化！），\(output = \frac{input-mean}{std}\)
输入为各通道的mean和std
norm_trans = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
norm_img = norm_trans(tensor_img)
4、Resize
创建对象时需传入resize后的（height，width），调用函数时需传入img，img类型可以为PIL或Tensor
resize_trans = transforms.Resize((256, 256))
resize_img = resize_trans(tensor_img)
5、Compose：把多个工具（类）封装为一个流水线的工具包，需要注意前一个的输出和后一个的输入的类型是否匹配！
compose_trans = transforms.Compose([resize_trans, norm_trans])
compose_img = compose_trans(tensor_img)
6、RandomCrop
标签：__,13,img,传入,P10,Pytorch,call,transforms,trans From： https://www.cnblogs.com/xjl-ultrasound/p/18338713