数据变换 (torchvision.transforms)

原始数据，如图像或文本，很少直接以完美适合神经网络输入的格式出现。模型通常需要特定大小和分布的数值张量。此外，为了提高模型的泛化能力并防止过拟合，通常的做法是通过对现有数据应用随机修改来人工扩充训练数据集。这就是数据变换的作用。

PyTorch，特别是通过用于计算机视觉任务的 torchvision 库，提供了一个便捷的模块 torchvision.transforms，它包含多种常用操作，这些操作可以链式组合以创建数据处理流程。这些变换主要有两个作用：

1. 预处理： 标准化数据格式、比例和大小。
2. 数据增强： 对训练数据应用随机改动以增加其多样性。

让我们看一些基础变换。

常用预处理变换

这些变换通常应用于所有数据集划分（训练集、验证集和测试集），以确保一致性。

• transforms.ToTensor()：这通常是对使用PIL（Python图像库）或NumPy等库加载的图像数据最先应用的变换之一。它将PIL图像或NumPy数组（格式为高 x 宽 x 通道）转换为PyTorch FloatTensor（格式为通道 x 高 x 宽）。重要的是，它还将像素值从 [0, 255] 范围缩放到 [0.0, 1.0]。这种转换为张量和标准化范围对于模型输入是必需的。

• transforms.Resize(size)：将输入图像调整到给定 size。如果 size 是整数，图像的较短边将匹配此数字，同时保持宽高比。如果 size 是像 (h, w) 这样的序列，它会将图像调整为精确的高度 h 和宽度 w。这很重要，因为许多神经网络需要固定大小的输入。

• transforms.CenterCrop(size)：将图像的中心部分裁剪到给定 size。这通常在调整大小后使用，以确保最终图像尺寸精确，同时聚焦于中心区域。

• transforms.Normalize(mean, std)：使用为每个通道提供的均值和标准差对张量图像进行标准化。应用的操作是： $输出 = (输入 - 均值) / 标准差$ 标准化有助于稳定训练，并通过确保输入特征具有相似的比例（通常围绕零居中）来促进更快的收敛。mean 和 std 通常是值序列，每个输入通道对应一个值（例如，RGB图像有3个值）。来自ImageNet等大型数据集的预计算值通常用作默认值：mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225]。

常用数据增强变换

这些变换引入随机性，并且通常仅应用于训练数据集。这有助于模型学习对输入中的微小变化保持不变，从而降低过拟合倾向。

• transforms.RandomHorizontalFlip(p=0.5)：以给定概率 p（默认为0.5，表示50%的机会）随机水平翻转图像。
• transforms.RandomRotation(degrees)：通过从 (-degrees, +degrees) 中均匀选择的随机角度旋转图像，或者如果 degrees 是序列 (min, max)，则在特定范围内旋转。
• transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)：随机改变图像的亮度、对比度、饱和度和色调。你可以指定每个属性的抖动范围。例如，brightness=0.2 意味着随机选择一个介于 [max(0, 1 - 0.2), 1 + 0.2] 之间的亮度因子。
• transforms.RandomResizedCrop(size)：裁剪图像的随机部分并将其调整到所需的 size。这是一种常用增强技术，特别适用于训练Inception网络等图像分类模型。

组合变换

你很少只应用一个变换。PyTorch 通过 transforms.Compose 方便地将多个变换链式组合起来。它接收一个变换对象列表并按顺序应用它们。

下面是为训练数据创建处理流程的示例，包括调整大小、增强、转换为张量和标准化：

import torchvision.transforms as transforms

# 训练数据的变换流程示例
train_transform = transforms.Compose([
    transforms.Resize(256),             # 将较短边调整为256
    transforms.RandomCrop(224),         # 随机裁剪224x224的区域
    transforms.RandomHorizontalFlip(),  # 随机水平翻转
    transforms.ToTensor(),              # 将PIL图像转换为张量（0-1范围）
    transforms.Normalize(mean=[0.485, 0.456, 0.406], # 使用ImageNet统计数据进行标准化
                         std=[0.229, 0.224, 0.225])
])

# 验证/测试数据的变换流程示例（无增强）
test_transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),         # 中心裁剪到224x224
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225])
])

print("训练变换：")
print(train_transform)

print("\n测试变换：")
print(test_transform)

将变换与数据集结合

正如上一节关于 Dataset 对象所述，这些组合变换通常在实例化 Dataset 时作为参数（通常命名为 transform 或 target_transform）传入。对于 torchvision.datasets 中的内置数据集，这直接简单：

# 假设您已安装 torchvision
from torchvision.datasets import ImageFolder
from pathlib import Path

# torchvision's ImageFolder 的使用示例
train_data_path = Path("path/to/your/train_images")
test_data_path = Path("path/to/your/test_images")

train_dataset = ImageFolder(root=train_data_path, transform=train_transform)
test_dataset = ImageFolder(root=test_data_path, transform=test_transform)

# 当您从 train_dataset 访问一个项时，train_transform 会被应用
sample_image, sample_label = train_dataset[0] # sample_image 现在是一个经过变换的张量

对于自定义 Dataset 类，您通常会在 __init__ 方法中接受变换对象，并在返回样本之前在 __getitem__ 方法中应用它。

from torch.utils.data import Dataset
from PIL import Image

class CustomImageDataset(Dataset):
    def __init__(self, image_paths, labels, transform=None):
        self.image_paths = image_paths
        self.labels = labels
        self.transform = transform

    def __len__(self):
        return len(self.image_paths)

    def __getitem__(self, idx):
        image_path = self.image_paths[idx]
        label = self.labels[idx]
        image = Image.open(image_path).convert("RGB") # 加载图像

        if self.transform:
            image = self.transform(image) # 应用变换

        return image, label

# 使用方法
custom_train_dataset = CustomImageDataset(train_paths, train_labels, transform=train_transform)
custom_test_dataset = CustomImageDataset(test_paths, test_labels, transform=test_transform)

通过定义适当的变换并将其集成到您的 Dataset 中，您可以确保输入到模型的数据格式正确，并且对于训练数据而言，得到充分增强。这为下一步使用 DataLoader 有效地按批加载这些已处理的数据做好了准备。