pytorch中的随机克罗普（1）

*备忘录：

• 是[高度，宽度]。
  • >必须是1个< = x。
  • 元组/列表必须是具有1或2个元素的1d。
  单个值（int或tuple/list（int））是指[size，size]。
  • >初始化的第二个参数是填充（可选默认：非类型：int或tuple/list（int））： *备忘录：
  是[左上，右，底部]，可以从[左右，底部]或[左右右下]转换。一个元组/列表必须是1d，具有1、2或4个元素。
单个值（int或tuple/list（int））是指[填充，填充，填充，填充]。
• > double值（元组/列表（int））表示[填充[0]，填充[1]，填充[0]，填充[1]。
  • 初始化的第三个参数是pad_if_needed（可选默认：false-type：bool）：
  • 如果是错误的，并且大小小于原始图像或填充图像的填充图像，则出现错误。
  >
  • 如果它是真实的，大小小于原始图像或填充图像的填充图像，则没有错误，则图像被随机填充以变为尺寸。
• 初始化的第四个参数是填充（可选默认：0型：int，float或tuple/tuple/list（int或float））： *备忘录：
  • >它可以更改图像的背景。 *当图像被正面填充时，可以看到背景。
  • 元组/列表必须是具有1或3个元素的1d。
初始化的第五个参数是padding_mode（可选默认：'constant'-type：str）。 *可以将其设置为 *'常数'，'edge'，“反射”或“对称”。
• >
  第一个参数是img（必需类型：pil图像或张量（int））： *备忘录：
  张量必须为2d或3d。
  • 不使用img =。
• 建议根据v1或v2使用v2？我应该使用哪一个？

• from torchvision.datasets import OxfordIIITPet
  from torchvision.transforms.v2 import RandomCrop
  
  randomcrop = RandomCrop(size=100)
  randomcrop = RandomCrop(size=100,
                          padding=None,
                          pad_if_needed=False, 
                          fill=0,
                          padding_mode='constant')
  randomcrop
  # RandomCrop(size=(100, 100),
  #            pad_if_needed=False,
  #            fill=0,
  #            padding_mode=constant)
  
  randomcrop.size
  # (100, 100)
  
  print(randomcrop.padding)
  # None
  
  randomcrop.pad_if_needed
  # False
  
  randomcrop.fill
  # 0
  
  randomcrop.padding_mode
  # 'constant'
  
  origin_data = OxfordIIITPet(
      root="data",
      transform=None
  )
  
  s300_data = OxfordIIITPet( # `s` is size.
      root="data",
      transform=RandomCrop(size=300)
      # transform=RandomCrop(size=[300, 300])
  )
  
  s200_data = OxfordIIITPet(
      root="data",
      transform=RandomCrop(size=200)
  )
  
  s100_data = OxfordIIITPet(
      root="data",
      transform=RandomCrop(size=100)
  )
  
  s50_data = OxfordIIITPet(
      root="data",
      transform=RandomCrop(size=50)
  )
  
  s10_data = OxfordIIITPet(
      root="data",
      transform=RandomCrop(size=10)
  )
  
  s1_data = OxfordIIITPet(
      root="data",
      transform=RandomCrop(size=1)
  )
  
  s200_300_data = OxfordIIITPet(
      root="data",
      transform=RandomCrop(size=[200, 300])
  )
  
  s300_200_data = OxfordIIITPet(
      root="data",
      transform=RandomCrop(size=[300, 200])
  )
  
  import matplotlib.pyplot as plt
  
  def show_images1(data, main_title=None):
      plt.figure(figsize=[10, 5])
      plt.suptitle(t=main_title, y=0.8, fontsize=14)
      for i in range(1, 6):
          plt.subplot(1, 5, i)
          plt.imshow(X=data[0][0])
      plt.tight_layout()
      plt.show()
  
  plt.figure(figsize=[7, 9])
  plt.title(label="s500_394origin_data", fontsize=14)
  plt.imshow(X=origin_data[0][0])
  show_images1(data=origin_data, main_title="s500_394origin_data")
  show_images1(data=s300_data, main_title="s300_data")
  show_images1(data=s200_data, main_title="s200_data")
  show_images1(data=s100_data, main_title="s100_data")
  show_images1(data=s50_data, main_title="s50_data")
  show_images1(data=s10_data, main_title="s10_data")
  show_images1(data=s1_data, main_title="s1_data")
  show_images1(data=s200_300_data, main_title="s200_300_data")
  show_images1(data=s300_200_data, main_title="s300_200_data")
  
  # ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
  def show_images2(data, main_title=None, s=None, p=None,
                   pin=False, f=0, pm='constant'):
      plt.figure(figsize=[10, 5])
      plt.suptitle(t=main_title, y=0.8, fontsize=14)
      temp_s = s
      im = data[0][0]
      for i in range(1, 6):
          plt.subplot(1, 5, i)
          if not temp_s:
              s = [im.size[1], im.size[0]]
          rc = RandomCrop(size=s, padding=p, # Here
                          pad_if_needed=pin, fill=f, padding_mode=pm)
          plt.imshow(X=rc(im)) # Here
      plt.tight_layout()
      plt.show()
  
  plt.figure(figsize=[7, 9])
  plt.title(label="s500_394origin_data", fontsize=14)
  plt.imshow(X=origin_data[0][0])
  show_images2(data=origin_data, main_title="s500_394origin_data")
  show_images2(data=origin_data, main_title="s300_data", s=300)
  show_images2(data=origin_data, main_title="s200_data", s=200)
  show_images2(data=origin_data, main_title="s100_data", s=100)
  show_images2(data=origin_data, main_title="s50_data", s=50)
  show_images2(data=origin_data, main_title="s10_data", s=10)
  show_images2(data=origin_data, main_title="s1_data", s=1)
  show_images2(data=origin_data, main_title="s200_300_data", s=[200, 300])
  show_images2(data=origin_data, main_title="s300_200_data", s=[300, 200])
  

好了，本文到此结束，带大家了解了《pytorch中的随机克罗普（1）》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多文章知识！