pytorch transforms.Lambda的使用

當你想要對圖像設置transforms策略時，如：

from torchvision import transforms as T

normalize = T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
data_transforms = {
    'train': T.Compose([
        T.RandomResizedCrop(224),  # 從圖片中心截取
        T.RandomHorizontalFlip(),  # 隨機水平翻轉給定的PIL.Image,翻轉概率為0.5
        T.ToTensor(),  # 轉成Tensor格式，大小范圍為[0,1]
        normalize
    ]),

    'val': T.Compose([
        T.Resize(256),  # 重新設定大小
        T.CenterCrop(224),
        T.ToTensor(),
        normalize
    ]),
}

 

但是有時官方提供的方法並不能夠滿足你的需要，這時候你就需要自定義自己的transform策略

方法就是使用transforms.Lambda

舉例說明：

比如當我們想要截取圖像，但並不想在隨機位置截取，而是希望在一個自己指定的位置去截取

那么你就需要自定義一個截取函數,然后使用transforms.Lambda去封裝它即可,如：

# coding:utf-8
from torchvision import transforms as T

def __crop(img, pos, size):
    """
    :param img: 輸入的圖像
    :param pos: 圖像截取的位置,類型為元組，包含(x, y)
    :param size: 圖像截取的大小
    :return: 返回截取后的圖像
    """
    ow, oh = img.size
    x1, y1 = pos
    tw = th = size
    # 有足夠的大小截取
    # img.crop坐標表示 (left, upper, right, lower)
    if (ow > tw or oh > th):
        return img.crop((x1, y1, x1+tw, y1+th))
    return img

# 然后使用transforms.Lambda封裝其為transforms策略
# 然后定義新的transforms為
normalize = T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
data_transforms = T.Compose([
    T.Lambda(lambda img: __crop(img, (5,5), 224)),
    T.RandomHorizontalFlip(),  # 隨機水平翻轉給定的PIL.Image,翻轉概率為0.5
    T.ToTensor(),  # 轉成Tensor格式，大小范圍為[0,1]
    normalize
])