Torchvision（中）：数据增强，让数据更加多样性
一、模块概述
torchvision.transforms 是 Torchvision 库中提供常用图像操作的工具包，支持对 Tensor 及 PIL Image 对象的操作，功能包括：随机切割、旋转、数据类型转换等。
按照功能可分为以下几类：
-
数据类型转换 -
对 PIL.Image 和 Tensor 进行变换 -
变换的组合[pdf_7]
二、数据类型转换
1. transforms.ToTensor()
-
作用：将 PIL.Image 或 Numpy.ndarray 格式的数据转化为 Tensor 格式 -
使用场景：模型训练阶段需要传入 Tensor 类型的数据，而读取的数据集图片是 PIL.Image 对象
2. transforms.ToPILImage(mode=None)
-
作用：将 Tensor 或 Numpy.ndarray 格式的数据转化为 PIL.Image 格式（ToTensor 的逆操作） -
mode 参数：代表 PIL.Image 的模式，默认值为 None，根据输入数据的维度进行推断： -
输入为 3 通道 → mode 为 'RGB' -
输入为 4 通道 → mode 为 'RGBA' -
输入为 2 通道 → mode 为 'LA' -
输入为单通道 → mode 根据输入数据的类型确定具体模式
代码示例
from PIL import Image
from torchvision import transforms
img = Image.open('jk.jpg')
print(type(img)) # <class 'PIL.JpegImagePlugin.JpegImageFile'>
# PIL.Image 转换为 Tensor
img1 = transforms.ToTensor()(img)
print(type(img1)) # <class 'torch.Tensor'>
# Tensor 转换为 PIL.Image
img2 = transforms.ToPILImage()(img1)
print(type(img2)) # <class 'PIL.Image.Image'>
★说明：PIL.JpegImagePlugin.JpegImageFile 类是 PIL.Image.Image 类的子类。[pdf_7]
三、对 PIL.Image 和 Tensor 进行变换
这些变换操作可接收多种数据格式，可直接对 PIL 格式或 Tensor 进行变换，无需额外做数据类型转换。
1. Resize（尺寸调整）
定义：
torchvision.transforms.Resize(size, interpolation=2)
参数说明：
-
size：期望输出的尺寸 -
如果是元组 (h, w)：图像输出尺寸将与之匹配 -
如果是 int 类型整数：图像较小的边将被匹配到该整数，另一条边按比例缩放 -
interpolation：插值算法，int 类型，默认为 2，表示 PIL.Image.BILINEAR
代码示例：
from PIL import Image
from torchvision import transforms
# 定义一个 Resize 操作
resize_img_oper = transforms.Resize((200, 200), interpolation=2)
# 原图
orig_img = Image.open('jk.jpg')
# Resize 操作后的图
img = resize_img_oper(orig_img)
★注意：训练时通常要把图片 resize 到一定大小（如 128×128、256×256）。如果设定为 int 型，较长的边会按比例缩放。resize 之后一般会接 crop 操作，但高与宽差距较大时，会 crop 掉很多有用信息。[pdf_7]
2. 剪裁（Cropping）
torchvision.transforms 提供多种剪裁方法：中心剪裁、随机剪裁、四角和中心剪裁等。
（1）CenterCrop（中心剪裁）
torchvision.transforms.CenterCrop(size)
-
size：期望输出的剪裁尺寸 -
元组 (h, w)：剪裁后的图像尺寸将与之匹配 -
int 类型：剪裁出来的图像是 (size, size)的正方形
（2）RandomCrop（随机剪裁）
torchvision.transforms.RandomCrop(size, padding=None)
-
size：期望输出的剪裁尺寸，用法同上 -
padding：图像每个边框上的可选填充，默认值为 None（即没有填充），通常不会使用
（3）FiveCrop（四角和中心剪裁）
torchvision.transforms.FiveCrop(size)
-
将给定的 PIL Image 或 Tensor，分别从四角和中心进行剪裁，共剪裁成五块 -
size 可以是 int 或 tuple，用法同上
代码示例：
from PIL import Image
from torchvision import transforms
# 定义剪裁操作
center_crop_oper = transforms.CenterCrop((60, 70))
random_crop_oper = transforms.RandomCrop((80, 80))
five_crop_oper = transforms.FiveCrop((60, 70))
# 原图
orig_img = Image.open('jk.jpg')
# 中心剪裁
img1 = center_crop_oper(orig_img)
# 随机剪裁
img2 = random_crop_oper(orig_img)
# 四角和中心剪裁
imgs = five_crop_oper(orig_img)
for img in imgs:
display(img)
3. 翻转（Flipping）
（1）RandomHorizontalFlip（随机水平翻转）
torchvision.transforms.RandomHorizontalFlip(p=0.5)
-
p：随机翻转的概率值，默认为 0.5 -
如果想要必须执行翻转操作，将 p 设置为 1 即可
（2）RandomVerticalFlip（随机垂直翻转）
torchvision.transforms.RandomVerticalFlip(p=0.5)
-
p：随机翻转的概率值，默认为 0.5
代码示例：
from PIL import Image
from torchvision import transforms
# 定义翻转操作
h_flip_oper = transforms.RandomHorizontalFlip(p=1)
v_flip_oper = transforms.RandomVerticalFlip(p=1)
# 原图
orig_img = Image.open('jk.jpg')
# 水平翻转
img1 = h_flip_oper(orig_img)
# 垂直翻转
img2 = v_flip_oper(orig_img)
四、只对 Tensor 进行变换
目前版本的 Torchvision（v0.10.0）对各种图像变换操作已基本同时支持 PIL Image 和 Tensor 类型，只针对 Tensor 的变换操作仅有 4 个：
-
LinearTransformation（线性变换） -
Normalize（标准化）✅ 最常用 -
RandomErasing（随机擦除） -
ConvertImageDtype（格式转换）
标准化 Normalize
数学公式：
output = (input - mean) / std
目的：对图像的每个通道利用均值和标准差进行正则化，保证数据集中所有图像分布相似，训练时更容易收敛，既加快训练速度，也提高训练效果。
定义：
torchvision.transforms.Normalize(mean, std, inplace=False)
参数说明：
-
mean：各通道的均值 -
std：各通道的标准差 -
inplace：是否原地操作，默认为 False
代码示例：
from PIL import Image
from torchvision import transforms
# 定义标准化操作
norm_oper = transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
# 原图
orig_img = Image.open('jk.jpg')
# 图像转化为 Tensor
img_tensor = transforms.ToTensor()(orig_img)
# 标准化
tensor_norm = norm_oper(img_tensor)
# Tensor 转化为图像
img_norm = transforms.ToPILImage()(tensor_norm)
★说明：标准化是一个常规做法，无脑进行标准化后再训练的效果，大概率要好于不进行标准化。标准化会将数据映射到同一区间中，同一类别的图片像素值可能有差异，但其分布都是类似的分布。[pdf_7]
五、变换的组合（Compose）
作用：将多个变换组合到一起，进行连续操作。
定义：
torchvision.transforms.Compose(transforms)
参数说明：
-
transforms：一个 Transform 对象的列表，表示要组合的变换列表
代码示例（将图片变为 200×200 像素大小，并随机裁切成 80 像素正方形）：
from PIL import Image
from torchvision import transforms
# 原图
orig_img = Image.open('jk.jpg')
# 定义组合操作
composed = transforms.Compose([
transforms.Resize((200, 200)),
transforms.RandomCrop(80)
])
# 组合操作后的图
img = composed(orig_img)
六、结合 datasets 使用
在利用 torchvision.datasets 读取数据集时，可通过 transform 参数对图像进行预处理操作（数据增强、归一化、旋转或缩放等）。该参数可接收一个 torchvision.transforms 操作或由 Compose 类定义的操作组合。
代码示例（读取 MNIST 数据集）：
from torchvision import transforms
from torchvision import datasets
# 定义一个 transform
my_transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5), (0.5))
])
# 读取 MNIST 数据集，同时做数据变换
mnist_dataset = datasets.MNIST(
root='./data',
train=False,
transform=my_transform,
target_transform=None,
download=True
)
# 查看变换后的数据类型
item = mnist_dataset.__getitem__(0)
print(type(item[0]))
# 输出：<class 'torch.Tensor'>
实际项目中的 transform 示例（图像分类实战）：
transform = transforms.Compose([
transforms.RandomResizedCrop(dest_image_size),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])
])
★经验分享：数据增强的方法有很多，但并不是用得越多，效果越好。[pdf_7]
七、核心要点总结
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
八、每课一练
问题：transforms.ToTensor() 和 transforms.Normalize() 分别有什么作用？在 pipeline 中它们的顺序是怎样的？
解答：
-
transforms.ToTensor()：将 PIL.Image 或 Numpy.ndarray 格式的数据转化为 Tensor 格式 -
transforms.Normalize()：对图像的每个通道利用均值和标准差进行标准化，公式为output = (input - mean) / std -
顺序：先 ToTensor()将数据转为 Tensor，再Normalize()进行标准化，因为 Normalize 只对 Tensor 类型的数据进行操作[pdf_7]
九、小结
-
数据类型转换： ToTensor()将 PIL/Numpy 转为 Tensor；ToPILImage()将 Tensor/Numpy 转回 PIL.Image。 -
图像尺寸调整： Resize支持 tuple 精确匹配和 int 按比例缩放。 -
图像剪裁： CenterCrop（中心）、RandomCrop（随机）、FiveCrop（四角+中心共五块）。 -
图像翻转： RandomHorizontalFlip（水平翻转）、RandomVerticalFlip（垂直翻转），随机概率由 p 控制。 -
标准化： Normalize对 Tensor 进行标准化，加速收敛、提高训练效果。 -
变换组合： Compose将多个变换组合成 pipeline，按顺序执行。 -
与 datasets 结合：在 torchvision.datasets的 transform 参数中传入 compose 后的操作，加载数据时自动完成预处理与增强。 -
核心原则：数据增强方法很多，但不是用得越多效果越好，需要根据实际任务合理选择。