pytorch的兰德姆布森

花韻仙語
发布: 2025-02-08 14:58:01
转载
579人浏览过

给我买咖啡☕

*备忘录:

  • 我的帖子解释了randomrotation()。
  • >
  • 我的帖子解释了randomaffine()。
  • 我的帖子解释了牛津iiitpet()。

> randomperspective()可以对图像进行随机的透视转换,如下所示:

*备忘录:

  • 初始化的第一个参数是distortion_scale(可选默认:0.5型:int或float): *备忘录:
    • 它可以进行透视转换。
    • >
    • 必须为0
  • >初始化的第二个参数为p(可选默认:0.5-type:int或float): *备忘录:
    • >是图像是否通过透视转换完成的概率。
    • 必须为0
    • 初始化的第三个参数是插值(可选默认:interpolationmode.binear-type:interpolationmode)。
    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。 *在为图像进行透视转换时,可以看到背景。
  • >
  • 元组/列表必须是具有1或3个元素的1d。
    • 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 RandomPerspective
      from torchvision.transforms.functional import InterpolationMode
      
      randompers = RandomPerspective()
      randompers = RandomPerspective(distortion_scale=0.5,
                                     p=0.5,
                                     interpolation=InterpolationMode.BILINEAR,
                                     fill=0)
      randompers
      # RandomPerspective(p=0.5,
      #                   distortion_scale=0.5,
      #                   interpolation=InterpolationMode.BILINEAR,
      #                   fill=0)
      
      randompers.distortion_scale
      # 0.5
      
      randompers.p
      # 0.5
      
      randompers.interpolation
      # <InterpolationMode.BILINEAR: 'bilinear'>
      
      randompers.fill
      # 0
      
      origin_data = OxfordIIITPet(
          root="data",
          transform=None
      )
      
      ds0p1origin_data = OxfordIIITPet( # `ds` is distortion_scale.
          root="data",
          transform=RandomPerspective(distortion_scale=0, p=1)
      )
      
      ds01p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.1, p=1)
      )
      
      ds02p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.2, p=1)
      )
      
      ds03p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.3, p=1)
      )
      
      ds04p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.4, p=1)
      )
      
      ds05p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.5, p=1)
      )
      
      ds06p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.6, p=1)
      )
      
      ds07p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.7, p=1)
      )
      
      ds08p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.8, p=1)
      )
      
      ds09p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=0.9, p=1)
      )
      
      ds1p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(distortion_scale=1, p=1)
      )
      
      p0_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(p=0)
      )
      
      p05_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(p=0.5)
      )
      
      p1_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(p=1)
      )
      
      p1fgray_data = OxfordIIITPet( # `f` is fill.
          root="data",
          transform=RandomPerspective(p=1, fill=150)
      )
      
      p1fpurple_data = OxfordIIITPet(
          root="data",
          transform=RandomPerspective(p=1, fill=[160, 32, 240])
      )
      
      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, (im, _) in zip(range(1, 6), data):
              plt.subplot(1, 5, i)
              plt.imshow(X=im)
              plt.xticks(ticks=[])
              plt.yticks(ticks=[])
          plt.tight_layout()
          plt.show()
      
      show_images1(data=origin_data, main_title="origin_data")
      print()
      show_images1(data=ds0p1origin_data, main_title="ds0p1origin_data")
      show_images1(data=ds01p1_data, main_title="ds01p1_data")
      show_images1(data=ds02p1_data, main_title="ds02p1_data")
      show_images1(data=ds03p1_data, main_title="ds03p1_data")
      show_images1(data=ds04p1_data, main_title="ds04p1_data")
      show_images1(data=ds05p1_data, main_title="ds05p1_data")
      show_images1(data=ds06p1_data, main_title="ds06p1_data")
      show_images1(data=ds07p1_data, main_title="ds07p1_data")
      show_images1(data=ds08p1_data, main_title="ds08p1_data")
      show_images1(data=ds09p1_data, main_title="ds09p1_data")
      show_images1(data=ds1p1_data, main_title="ds1p1_data")
      print()
      show_images1(data=p0_data, main_title="p0_data")
      show_images1(data=p0_data, main_title="p0_data")
      show_images1(data=p0_data, main_title="p0_data")
      print()
      show_images1(data=p05_data, main_title="p05_data")
      show_images1(data=p05_data, main_title="p05_data")
      show_images1(data=p05_data, main_title="p05_data")
      print()
      show_images1(data=p1_data, main_title="p1_data")
      show_images1(data=p1_data, main_title="p1_data")
      show_images1(data=p1_data, main_title="p1_data")
      print()
      show_images1(data=p1fgray_data, main_title="p1fgray_data")
      show_images1(data=p1fpurple_data, main_title="p1fpurple_data")
      
      # ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
      def show_images2(data, main_title=None, ds=0.5, prob=0.5,
                       ip=InterpolationMode.BILINEAR, f=0):
          plt.figure(figsize=[10, 5])
          plt.suptitle(t=main_title, y=0.8, fontsize=14)
          for i, (im, _) in zip(range(1, 6), data):
              plt.subplot(1, 5, i)
              rp = RandomPerspective(distortion_scale=ds, p=prob, # Here
                                     interpolation=ip, fill=f)
              plt.imshow(X=rp(im)) # Here
              plt.xticks(ticks=[])
              plt.yticks(ticks=[])
          plt.tight_layout()
          plt.show()
      
      show_images2(data=origin_data, main_title="origin_data", ds=0)
      print()
      show_images2(data=origin_data, main_title="ds0p1origin_data", ds=0,
                   prob=1)
      show_images2(data=origin_data, main_title="ds01p1_data", ds=0.1, prob=1)
      show_images2(data=origin_data, main_title="ds02p1_data", ds=0.2, prob=1)
      show_images2(data=origin_data, main_title="ds03p1_data", ds=0.3, prob=1)
      show_images2(data=origin_data, main_title="ds04p1_data", ds=0.4, prob=1)
      show_images2(data=origin_data, main_title="ds05p1_data", ds=0.5, prob=1)
      show_images2(data=origin_data, main_title="ds06p1_data", ds=0.6, prob=1)
      show_images2(data=origin_data, main_title="ds07p1_data", ds=0.7, prob=1)
      show_images2(data=origin_data, main_title="ds08p1_data", ds=0.8, prob=1)
      show_images2(data=origin_data, main_title="ds09p1_data", ds=0.9, prob=1)
      show_images2(data=origin_data, main_title="ds1p1_data", ds=1, prob=1)
      print()
      show_images2(data=origin_data, main_title="p0_data", prob=0)
      show_images2(data=origin_data, main_title="p0_data", prob=0)
      show_images2(data=origin_data, main_title="p0_data", prob=0)
      print()
      show_images2(data=origin_data, main_title="p05_data", prob=0.5)
      show_images2(data=origin_data, main_title="p05_data", prob=0.5)
      show_images2(data=origin_data, main_title="p05_data", prob=0.5)
      print()
      show_images2(data=origin_data, main_title="p1_data", prob=1)
      show_images2(data=origin_data, main_title="p1_data", prob=1)
      show_images2(data=origin_data, main_title="p1_data", prob=1)
      print()
      show_images2(data=origin_data, main_title="p1fgray_data", prob=1, f=150)
      show_images2(data=origin_data, main_title="p1fpurple_data", prob=1,
                   f=[160, 32, 240])
      
      登录后复制

image description


image description

image description

image description

image description

image description

image description

image description

image description

image description

image description

image description


image description

image description

image description


image description

image description

image description


image description

image description

image description


image description

以上就是pytorch的兰德姆布森的详细内容,更多请关注php中文网其它相关文章!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。

下载
相关标签:
来源:dev.to网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习
PHP中文网抖音号
发现有趣的

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号