我对PyTorch中执行的数据扩充感到有些困惑。现在，据我所知，当我们执行数据扩充时，我们将保留原始数据集，然后添加它的其他版本（Flipping，Cropping等）。但这似乎并没有在PyTorch中发生。据我从参考文献中了解到，当我们data.transforms在PyTorch中使用它时，它将一一应用。因此，例如：
data_transforms = {
'train': transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),
'val': transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),
}
在这里，为了进行培训，我们首先要随机裁剪图像并将其调整大小以成形(224,224)。然后，我们拍摄这些(224,224)图像并水平翻转它们。因此，我们的数据集现在仅包含水平翻转的图像，因此在这种情况下我们的原始图像会丢失。
我对吗？这种理解正确吗？如果不是，那么我们在上面的代码中（从官方文档中获取）告诉PyTorch保留原始图像并将其大小调整为所需的形状(224,224)？
谢谢
这些transforms操作将在每个批次生成时应用于原始图像。因此，您的数据集保持不变，只有批处理图像在每次迭代时都被复制和转换。
造成混淆的原因可能是，经常像您的示例中那样，transforms既用于数据准备（调整大小/裁剪为期望的尺寸，规格化值等）又用于数据增强（随机化调整大小/裁剪，随机翻转图像）等）。
您的data_transforms['train']工作是：
(224, 224)补丁TensorTensor给定您提供的平均值和偏差值，对结果进行归一化您的data_transforms['val']工作是：
(256, 256)(224, 224)补丁TensorTensor给定您提供的平均值和偏差值，对结果进行归一化（即，将训练数据的随机调整大小/裁剪替换为用于验证的固定操作，以得到可靠的验证结果）
如果您不希望将训练图像以50/50的机会水平翻转，只需删除该transforms.RandomHorizontalFlip()行即可。
同样，如果你希望你的图片永远是中心，裁剪，替换transforms.RandomResizedCrop用transforms.Resize和transforms.CenterCrop，作为完成data_transforms['val']。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句