本文主要是介绍Pytorch_torchvision，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
torchvision.datasets
这其中所有的数据集都是torch.utils.data.Dataset的子类，它们都具有__getitem__和__len__实现的方法。因此，它们都可以传递给torch.utils.data.DataLoader，它使用torch.multiprocessing并行加载多个样本。
torchvision.transforms
其中都是常见的图像转换，可以通过Compose将他们链接在一起
此外还有torchvision.transforms.functional模块，可对转换进行细粒度控制，这对于要构建一个更复杂的 transformation pipeline（例如在segmentation tasks分段任务中）很有帮助
torchvision.transforms.Normalize(mean, std, inplace=False)
用均值和标准差对张量图像进行归一化。
给定n个通道的均值: (M1,...,Mn) 和标准差:(S1,..,Sn), 这个转换将归一化输入torch.*Tensor的每个通道。例如: input[channel] = (input[channel] - mean[channel]) / std[channel]
Note: 这种变换的作用不适当，即它不会改变输入张量
torchvision.utils
torchvision.utils.make_grid(tensor, nrow=8, padding=2, normalize=False, range=None, scale_each=False, pad_value=0)
创建图像网格，即将若干幅图像拼成一幅图像
-
tensor(Tensor or list) – 四维 mini-batch Tensor 尺寸为 (B x C x H x W) 或一个所有图像大小相同的list -
nrow(python:int, optional) – 网格中每行展示图像的数量。最后一行size为 (B / nrow, nrow) -
padding(python:int, optional) – 填充量（多幅图像间距） -
normalize(bool, optional) – 若为True, 根据由range范围指定的最大最小值，将图像归一化到(0, 1) -
range(tuple, optional) – tuple (min, max) 用于归一化图像. min和max默认通过tensor计算 -
scale_each(bool, optional) – 若为True, 分别缩放该批图像中的每个图像，而不是缩放所有图像的(min, max) -
pad_value(python:float, optional) – 填充值
这篇关于Pytorch_torchvision的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
