常用的图像增广方法

翻转和裁剪

左右翻转图像通常不会改变对象的类别。这是最早且最广泛使用的图像增广方法之一。 接下来，我们使用transforms模块来创建RandomFlipLeftRight实例，这样就各有50%的几率使图像向左或向右翻转。

1. 向右翻转图像

# img 是读入的照片
apply(img, torchvision.transforms.RandomHorizontalFlip())

2. 上下翻转图像

apply(img, torchvision.transforms.RandomVerticalFlip())

3. 图像进行随机裁剪

shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

'''
(200, 200)这是RandomResizedCrop的目标输出尺寸，即裁剪后的图像将被调整为200x200像素。


scale=(0.1, 1)：图像将被缩放到原始尺寸的10%到100%之间。

ratio=(0.5, 2)：这个参数指定了随机调整大小时图像的宽高比范围,ratio的范围是从0.5到2。这意味着在裁剪之前，图像的宽度和高度将被缩放，使得宽高比在0.5到2之间。
'''

4. 改变颜色

apply(img, torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0, saturation=0, hue=0))
'''
brightness=0.5：亮度调整参数。这个参数指定了亮度变化的范围。在这个例子中，brightness 设置为0.5，意味着图像的亮度可以在原始亮度的50%到150%之间随机变化。

contrast=0：对比度调整参数。这个参数指定了对比度变化的范围。在这个例子中，contrast 设置为0，意味着对比度不会发生变化，即图像的对比度保持不变。

saturation=0：饱和度调整参数。这个参数指定了饱和度变化的范围。在这个例子中，saturation 设置为0，意味着饱和度不会发生变化，即图像的颜色饱和度保持不变。

hue=0：色调调整参数。这个参数指定了色调变化的范围。在这个例子中，hue 设置为0，意味着色调不会发生变化，即图像的色调保持不变。

'''

apply(img, torchvision.transforms.ColorJitter(
    brightness=0, contrast=0, saturation=0, hue=0.5))

结合多种图像增广方法

shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))

color_aug = torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)

augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)

案例

在这里，我们只使用最简单的随机左右翻转。 此外，我们使用ToTensor实例将一批图像转换为深度学习框架所要求的格式，即形状为（批量大小，通道数，高度，宽度）的32位浮点数，取值范围为0～1。
这里用的cifar10作为案例：

train_augs = torchvision.transforms.Compose([
     torchvision.transforms.RandomHorizontalFlip(),
     torchvision.transforms.ToTensor()])

test_augs = torchvision.transforms.Compose([
     torchvision.transforms.ToTensor()])
# 这里用的cifar10作为案例
def load_cifar10(is_train, augs, batch_size):
    dataset = torchvision.datasets.CIFAR10(root="../data", train=is_train,
                                           transform=augs, download=True)
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
                    shuffle=is_train, num_workers=d2l.get_dataloader_workers())
    return dataloader
# 形成数据
train_iter = load_cifar10(True, train_augs, batch_size)
test_iter = load_cifar10(False, test_augs, batch_size)