这是对Pytorch官网的Tutorial教程的中文翻译。数据并不总是以训练机器学习算法所需的最终处理形式出现，我们使用转换来对数据执行一些操作并使其适合训练。所有TorchVision数据集都有两个参数：用于修改特征的 transform 和用于修改标签的 target_transform。接受包

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.transform

学习pytorch的transforms一节中产生疑问：ToTensor操作中图像数据满足[0,255]条件会进行线性归一化，映射到[0,1]。在ToTensor操作后一般紧接着Nomalize操作，又进行了一次标准差归一化。既然已经归一化了一次，为什么还要再来一次？以下是我在网络上找到的一些答案：数据如果

TransformsDatadoesnotalwayscomeinitsfinalprocessedformthatisrequiredfortrainingmachinelearningalgorithms.Weusetransformstoperformsomemanipulationofthedataandmakeitsuitablefortraining.数据不总是以被处理好只需要机器学习的算法

 

如题。记录一下自己遇到的问题：defbuild_transform(args):ifargs.dataset=="flowers":data_transforms={'train':transforms.Compose([

*****其实就是学会使用trannsforms的.py文件中的不同class类主要关注点：*输入  *输出   *作用图片的输入数据类型：         打开方式：PIL

1、transforms结构及用法：（transforms也就是一个.py的python文件）首先导入transforms：  fromtorchvisionimporttransforms  这个就是你输入图片，然后他处理后返回给你

  compose组件transforms.ToTensor()就是将pil图像或者numpy数据转为tensor，并且高度，宽度，深度，在0-255之间的值，转为通道，高度，宽度，在0-1之间的值。然后normalize就是对