Torchvision

Utilities

库：torchvision.utils

常用函数

• make_grid ：将多张图像（通常是一个 Batch 的 Tensor）拼成一张网格图。
  • tensor: $(B\times C\times H\times W)$，或者是包含相同大小图像的列表。
  • nrow: 每行显示的图像数量。
  • padding: 相邻图像之间的填充距离。
  • normalize: 如果设为 True，它会将图像像素值线性缩放到 $[0,1]$ 范围内。
    • 公式为：$output=\frac{input-\text{min}}{\text{max}-\text{min}}$。
    • 用 value_range 指定数据的范围。例如，如果数据通过 Normalize(mean=0.5, std=0.5) 缩放到了 $[-1,1]$，可以设置 value_range=(-1, 1)。
  • 输出维度: make_grid 返回的是一个 3D Tensor $(C\times H_{grid}\times W_{grid})$。
  • 通道处理: 如果输入是黑白图（1 通道），它会自动扩展成 3 通道。
• save_image：make_grid 的封装，直接将 Tensor 保存为本地图像文件。
  • 它接受 make_grid 的所有参数。
  • fp: 保存路径（string）或文件对象（file object）。
  • 内部逻辑
    1. 它先调用 make_grid 将 Tensor 转成网格形式。
    2. 将 Tensor 转换到 CPU，并映射到 uint8 范围 $[0,255]$。
    3. 利用 PIL 将 Tensor 保存。

示例

import torch
from torchvision.utils import make_grid, save_image
import matplotlib.pyplot as plt
 
images = torch.randn(64, 3, 32, 32)
 
grid_img = make_grid(images, nrow=8, normalize=True, value_range=(-1, 1))
 
# 如果要用 matplotlib 显示，需要调整维度 (C, H, W) -> (H, W, C)
plt.imshow(grid_img.permute(1, 2, 0).cpu().numpy())
plt.show()
 
save_image(images, 'results.png', nrow=8, normalize=True)

Transforms

Note

本词条为 torch 的图像处理工具库，请与 Transformer 区分。

库：torchvision.transforms

与侧重于单步操作的工具箱， OpenCV 相比，transforms侧重于 Data Augmentation 和预处理流水线，常与 Dataset 配合使用，在训练时实时处理图像。

常用功能

转换

• ToTensor()：将 PIL Image 或 numpy.ndarray (H, W, C) 转换为 torch.FloatTensor (C, H, W)，并自动将像素值从 [0, 255] 归一化到 [0.0, 1.0]
• Normalize(mean, std)：归一化

transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
# ImageNet 的 mean 和 std，如果借用 `torchvision.model` 的模型的话要这样设置。

几何变换

• Resize(size)：

transforms.Resize((224, 224))
# 若为元组则指定长宽，若为单个数字则指定短边，长边按比例缩放

• CenterCrop(size), RandomCrop(size)：中心或随机裁剪大小

CenterCrop(224) # 等价于 CenterCrop((224, 224))
CenterCrop((123, 456))
# 如果裁切大小比原图大小大的话，则报错

• RandomResizedCrop(size)：随机面积、比例裁切后，再 resize 到指定大小
• RandomHorizontalFlip(p): 以概率 p 翻转
• RandomRotation(degrees): 随机旋转 [-degrees, degrees] 度

色彩变换

• ColorJitter(brightness, contrast, saturation, hue): 随机调整亮度、对比度、饱和度
• GaussianBlur(kernel_size, sigma): 高斯模糊
• Grayscale(): 转灰度图

组合容器

• Compose([...]): 将上述所有步骤串联起来，类似于 torch.nn.Sequential()

示例

from torchvision import transforms
from PIL import Image
 
img = Image.open('input.jpg') 
 
# 定义一个处理流水线 
pipeline = transforms.Compose([ 
    # 1. 几何变换
    transforms.Resize(256), # 先缩放
    transforms.CenterCrop(224), # 中心裁剪出 224x224
    transforms.RandomHorizontalFlip(p=0.5), # 50%概率水平翻转
    transforms.RandomRotation(degrees=15), # -15到+15度之间随机旋转
    
    # 2. 色彩与噪声
    transforms.ColorJitter(brightness=0.2, contrast=0.2), # 亮度对比度随机波动20%
    transforms.GaussianBlur(kernel_size=5), # 高斯模糊
    
    # 3. 结构转换
    transforms.ToTensor(), # 必须：转为Tensor并归一化到[0,1]
    transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5)) # 按通道归一
    ])
    
# 执行处理 
result_tensor = pipeline(img)