Pytorch中的Randomcrop（3）
怎么入门文章编程？需要学习哪些知识点？这是新手们刚接触编程时常见的问题；下面golang学习网就来给大家整理分享一些知识点，希望能够给初学者一些帮助。本篇文章就来介绍《Pytorch中的Randomcrop（3）》，涉及到，有需要的可以收藏一下
给我买咖啡☕
*备忘录：
- 我的帖子解释了关于大小参数的randomcrop（）。 >
- 我的帖子解释了randomcrop（）有关填充，填充和padding_mode参数。 >
- 我的帖子解释了牛津iiitpet（）。
randomcrop（）可以随机裁剪图像，如下所示：from torchvision.datasets import OxfordIIITPet
from torchvision.transforms.v2 import RandomCrop
origin_data = OxfordIIITPet(
root="data",
transform=None
)
s500_394origin_data = OxfordIIITPet( # `s` is size.
root="data",
transform=RandomCrop(size=[500, 394])
)
s600_494pinTrue_data = OxfordIIITPet( # `pin` is pad_if_needed.
root="data",
transform=RandomCrop(size=[600, 494], pad_if_needed=True)
)
s700_594pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], pad_if_needed=True)
)
s800_694pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[800, 694], pad_if_needed=True)
)
s400_494pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[400, 494], pad_if_needed=True)
)
s600_294pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[600, 294], pad_if_needed=True)
)
s600_494pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[600, 494], pad_if_needed=False)
)
s700_594pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], pad_if_needed=False)
)
s800_694pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[800, 694], pad_if_needed=False)
)
s400_494pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[400, 494], pad_if_needed=False)
)
s600_294pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[600, 294], pad_if_needed=False)
)
s700_594p100origin_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], pad_if_needed=100)
)
s800_694p100pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[800, 694], padding=100, pad_if_needed=True)
)
s900_794p100pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[900, 794], padding=100, pad_if_needed=True)
)
s1000_894p100pinTrue_data = OxfordIIITPet( # `p` is padding.
root="data",
transform=RandomCrop(size=[1000, 894], padding=100, pad_if_needed=True)
)
s600_694p100pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[600, 694], padding=100, pad_if_needed=True)
)
s800_494p100pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[800, 494], padding=100, pad_if_needed=True)
)
s800_694p100pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[800, 694], padding=100, pad_if_needed=False)
)
s900_794p100pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[900, 794], padding=100, pad_if_needed=False)
)
s1000_894p100pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[1000, 894], padding=100, pad_if_needed=False)
)
s600_694p100pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[600, 694], padding=100, pad_if_needed=False)
)
s800_494p100pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[800, 494], padding=100, pad_if_needed=False)
)
s400_294pn50origin_data = OxfordIIITPet( # `n` is negative.
root="data",
transform=RandomCrop(size=[400, 294], padding=-50)
)
s500_394pn50pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[500, 394], padding=-50, pad_if_needed=True)
)
s600_494pn50pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[600, 494], padding=-50, pad_if_needed=True)
)
s700_594pn50pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=-50, pad_if_needed=True)
)
s350_444pn50pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[350, 444], padding=-50, pad_if_needed=True)
)
s450_244pn50pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[450, 244], padding=-50, pad_if_needed=True)
)
s500_394pn50pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[500, 394], padding=-50, pad_if_needed=False)
)
s600_494pn50pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[600, 494], padding=-50, pad_if_needed=False)
)
s700_594pn50pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=-50, pad_if_needed=False)
)
s350_444pn50pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[350, 444], padding=-50, pad_if_needed=False)
)
s450_244pn50pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[450, 244], padding=-50, pad_if_needed=False)
)
s700_594p100origin_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=100)
)
s700_594p50pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=50, pad_if_needed=True)
)
s700_594p0pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=0, pad_if_needed=True)
)
s700_594pn50pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=-50, pad_if_needed=True)
)
s700_594pn100pinTrue_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=-100, pad_if_needed=True)
)
s700_594p50pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=50, pad_if_needed=False)
)
s700_594p0pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=0, pad_if_needed=False)
)
s700_594pn50pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=-50, pad_if_needed=False)
)
s700_594pn100pinFalse_data = OxfordIIITPet(
root="data",
transform=RandomCrop(size=[700, 594], padding=-100, pad_if_needed=False)
)
import matplotlib.pyplot as plt
def show_images1(data, main_title=None):
plt.figure(figsize=[10, 5.5])
plt.suptitle(t=main_title, y=0.8, fontsize=14)
for i in range(1, 6):
plt.subplot(1, 5, i)
plt.imshow(X=data[0][0])
plt.tight_layout()
plt.show()
show_images1(data=s500_394origin_data, main_title="s500_394origin_data")
show_images1(data=s600_494pinTrue_data, main_title="s600_494pinTrue_data")
show_images1(data=s700_594pinTrue_data, main_title="s700_594pinTrue_data")
show_images1(data=s800_694pinTrue_data, main_title="s800_694pinTrue_data")
show_images1(data=s400_494pinTrue_data, main_title="s400_494pinTrue_data")
show_images1(data=s600_294pinTrue_data, main_title="s600_294pinTrue_data")
# show_images1(data=s600_494pinFalse_data,
# main_title="s600_494pinFalse_data") # Error
# show_images1(data=s700_594pinFalse_data,
# main_title="s700_594pinFalse_data") # Error
# show_images1(data=s800_694pinFalse_data,
# main_title="s800_694pinFalse_data") # Error
# show_images1(data=s400_494pinFalse_data,
# main_title="s400_494pinFalse_data") # Error
# show_images1(data=s600_294pinFalse_data,
# main_title="s600_294pinFalse_data") # Error
print()
show_images1(data=s700_594p100origin_data,
main_title="s700_594p100origin_data")
show_images1(data=s800_694p100pinTrue_data,
main_title="s800_694p100pinTrue_data")
show_images1(data=s900_794p100pinTrue_data,
main_title="s900_794p100pinTrue_data")
show_images1(data=s1000_894p100pinTrue_data,
main_title="s1000_894p100pinTrue_data")
show_images1(data=s600_694p100pinTrue_data,
main_title="s600_694p100pinTrue_data")
show_images1(data=s800_494p100pinTrue_data,
main_title="s800_494p100pinTrue_data")
# show_images1(data=s800_694p100pinFalse_data,
# main_title="s800_694p100pinFalse_data") # Error
# show_images1(data=s900_794p100pinFalse_data,
# main_title="s900_794p100pinFalse_data") # Error
# show_images1(data=s1000_894p100pinFalse_data,
# main_title="s1000_894p100pinFalse_data") # Error
# show_images1(data=s600_694p100pinFalse_data,
# main_title="s600_694p100pinFalse_data") # Error
# show_images1(data=s800_494p100pinFalse_data,
# main_title="s800_494p100pinFalse_data") # Error
print()
show_images1(data=s400_294pn50origin_data,
main_title="s400_294pn50origin_data")
show_images1(data=s500_394pn50pinTrue_data,
main_title="s500_394pn50pinTrue_data")
show_images1(data=s600_494pn50pinTrue_data,
main_title="s600_494pn50pinTrue_data")
show_images1(data=s700_594pn50pinTrue_data,
main_title="s700_594pn50pinTrue_data")
show_images1(data=s350_444pn50pinTrue_data,
main_title="s350_444pn50pinTrue_data")
show_images1(data=s450_244pn50pinTrue_data,
main_title="s450_244pn50pinTrue_data")
# show_images1(data=s500_394pn50pinFalse_data,
# main_title="s500_394pn50pinFalse_data") # Error
# show_images1(data=s600_494pn50pinFalse_data,
# main_title="s600_494pn50pinFalse_data") # Error
# show_images1(data=s700_594pn50pinFalse_data,
# main_title="s700_594pn50pinFalse_data") # Error
# show_images1(data=s350_444pn50pinFalse_data,
# main_title="s350_444pn50pinFalse_data") # Error
# show_images1(data=s450_244pn50pinFalse_data,
# main_title="s450_244pn50pinFalse_data") # Error
print()
show_images1(data=s700_594p100origin_data,
main_title="s700_594p100origin_data")
show_images1(data=s700_594p50pinTrue_data,
main_title="s700_594p50pinTrue_data")
show_images1(data=s700_594p0pinTrue_data,
main_title="s700_594p0pinTrue_data")
show_images1(data=s700_594pn50pinTrue_data,
main_title="s700_594pn50pinTrue_data")
show_images1(data=s700_594pn100pinTrue_data,
main_title="s700_594pn100pinTrue_data")
# show_images1(data=s700_594p50pinFalse_data,
# main_title="s700_594p50pinFalse_data") # Error
# show_images1(data=s700_594p0pinFalse_data,
# main_title="s700_594p0pinFalse_data") # Error
# show_images1(data=s700_594pn50pinFalse_data,
# main_title="s700_594pn50pinFalse_data") # Error
# show_images1(data=s700_594pn100pinFalse_data,
# main_title="s700_594pn100pinFalse_data") # Error
# ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
def show_images2(data, main_title=None, s=None, p=None,
pin=False, f=0, pm='constant'):
plt.figure(figsize=[10, 5.5])
plt.suptitle(t=main_title, y=0.8, fontsize=14)
temp_s = s
im = data[0][0]
for i in range(1, 6):
plt.subplot(1, 5, i)
if not temp_s:
s = [im.size[1], im.size[0]]
rc = RandomCrop(size=s, padding=p, # Here
pad_if_needed=pin, fill=f, padding_mode=pm)
plt.imshow(X=rc(im)) # Here
plt.tight_layout()
plt.show()
show_images2(data=origin_data, main_title="s500_394origin_data",
s=[500, 394])
show_images2(data=origin_data, main_title="s600_494pinTrue_data",
s=[600, 494], pin=True)
show_images2(data=origin_data, main_title="s700_594pinTrue_data",
s=[700, 594], pin=True)
show_images2(data=origin_data, main_title="s800_694pinTrue_data",
s=[800, 694], pin=True)
show_images2(data=origin_data, main_title="s400_494pinTrue_data",
s=[400, 494], pin=True)
show_images2(data=origin_data, main_title="s600_294pinTrue_data",
s=[600, 294], pin=True)
# show_images2(data=origin_data, main_title="s600_494pinFalse_data",
# s=[600, 494], pin=False) # Error
# show_images2(data=origin_data, main_title="s700_594pinFalse_data",
# s=[700, 594], pin=False) # Error
# show_images2(data=origin_data, main_title="s800_694pinFalse_data",
# s=[800, 694], pin=False) # Error
# show_images2(data=origin_data, main_title="s400_494pinFalse_data",
# s=[400, 494], pin=False) # Error
# show_images2(data=origin_data, main_title="s600_294pinFalse_data",
# s=[600, 294], pin=False) # Error
print()
show_images2(data=origin_data, main_title="s700_594p100origin_data",
s=[700, 594], p=100)
show_images2(data=origin_data, main_title="s800_694p100pinTrue_data",
s=[800, 694], p=100, pin=True)
show_images2(data=origin_data, main_title="s900_794p100pinTrue_data",
s=[900, 794], p=100, pin=True)
show_images2(data=origin_data, main_title="s1000_894p100pinTrue_data",
s=[1000, 894], p=100, pin=True)
show_images2(data=origin_data, main_title="s600_694p100pinTrue_data",
s=[600, 694], p=100, pin=True)
show_images2(data=origin_data, main_title="s800_494p100pinTrue_data",
s=[800, 494], p=100, pin=True)
# show_images2(data=origin_data, main_title="s800_694p100pinFalse_data",
# s=[800, 694], p=100, pin=False) # Error
# show_images2(data=origin_data, main_title="s900_794p100pinFalse_data",
# s=[900, 794], p=100, pin=False) # Error
# show_images2(data=origin_data, main_title="s1000_894p100pinFalse_data",
# s=[1000, 894], p=100, pin=False) # Error
# show_images2(data=origin_data, main_title="s600_694p100pinFalse_data",
# s=[600, 694], p=100, pin=False) # Error
# show_images2(data=origin_data, main_title="s800_494p100pinFalse_data",
# s=[800, 494], p=100, pin=False) # Error
print()
show_images2(data=origin_data, main_title="s400_294pn50origin_data",
s=[400, 294], p=-50)
show_images2(data=origin_data, main_title="s500_394pn50pinTrue_data",
s=[500, 394], p=-50, pin=True)
show_images2(data=origin_data, main_title="s600_494pn50pinTrue_data",
s=[600, 494], p=-50, pin=True)
show_images2(data=origin_data, main_title="s700_594pn50pinTrue_data",
s=[700, 594], p=-50, pin=True)
show_images2(data=origin_data, main_title="s350_444pn50pinTrue_data",
s=[350, 444], p=-50, pin=True)
show_images2(data=origin_data, main_title="s450_244pn50pinTrue_data",
s=[450, 244], p=-50, pin=True)
# show_images2(data=origin_data, main_title="s500_394pn50pinFalse_data",
# s=[500, 394], p=-50, pin=False) # Error
# show_images2(data=origin_data, main_title="s600_494pn50pinFalse_data",
# s=[600, 494], p=-50, pin=False) # Error
# show_images2(data=origin_data, main_title="s700_594pn50pinFalse_data",
# s=[700, 594], p=-50, pin=False) # Error
# show_images2(data=origin_data, main_title="s350_444pn50pinFalse_data",
# s=[350, 444], p=-50, pin=False) # Error
# show_images2(data=origin_data, main_title="s450_244pn50pinFalse_data",
# s=[450, 244], p=-50, pin=False) # Error
print()
show_images2(data=origin_data, main_title="s700_594p100origin_data",
s=[700, 594], p=100)
show_images2(data=origin_data, main_title="s700_594p50pinTrue_data",
s=[700, 594], p=50, pin=True)
show_images2(data=origin_data, main_title="s700_594p0pinTrue_data",
s=[700, 594], p=0, pin=True)
show_images2(data=origin_data, main_title="s700_594pn50pinTrue_data",
s=[700, 594], p=-50, pin=True)
show_images2(data=origin_data, main_title="s700_594pn100pinTrue_data",
s=[700, 594], p=-100, pin=True)
# show_images2(data=origin_data, main_title="s700_594p50pinFalse_data",
# s=[700, 594], p=50, pin=False) # Error
# show_images2(data=origin_data, main_title="s700_594p0pinFalse_data",
# s=[700, 594], p=0, pin=False) # Error
# show_images2(data=origin_data, main_title="s700_594pn50pinFalse_data",
# s=[700, 594], p=-50, pin=False) # Error
# show_images2(data=origin_data, main_title="s700_594pn100pinFalse_data",
# s=[700, 594], p=-100, pin=False) # Error
本篇关于《Pytorch中的Randomcrop（3）》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！
中国科学院科研人员制备出具有优良导电性能的多层堆叠二维聚苯胺晶体
- 上一篇
- 中国科学院科研人员制备出具有优良导电性能的多层堆叠二维聚苯胺晶体
- 下一篇
- OpenAI将在慕尼黑设立其首个德国子公司
-
- 文章 · python教程 | 1小时前 | Python教程 · pathlib · 路径安全 Python pathlib Path.resolve 目录穿越 relative_to
- Pathlib 安全拼接用户路径：解析后再验证根目录
- 463浏览 收藏
-
- 文章 · python教程 | 3小时前 | 性能优化 · Python教程 · Python 进程间通信 pickle multiprocessing SharedMemory
- multiprocessing 传输大对象为何变慢，如何减少序列化
- 478浏览 收藏
-
- 文章 · python教程 | 22小时前 | python · Python import很慢 -X importtime 模块级副作用 延迟导入 Python启动优化
- Python import 很慢怎么分析：模块级副作用与延迟导入
- 292浏览 收藏
-
- 文章 · python教程 | 1天前 | python · 异步编程 · Python asyncio contextvars request_id
- contextvars 在异步请求链中传递追踪信息
- 393浏览 收藏
-
- 文章 · python教程 | 1天前 | 并发 · 异常处理 · python · asyncio · CancelledError 结构化并发 ExceptionGroup Python asyncio TaskGroup asyncio gather
- asyncio TaskGroup 让并发任务在首错时一起收敛
- 246浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python 3.14 自由线程程序怎样显式保护共享状态
- 337浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python Traversable importlib.resources 包内资源
- Python importlib.resources Traversable 怎么读取包内目录
- 359浏览 收藏
-
- 文章 · python教程 | 1天前 | 时区 · python · Python zoneinfo reset_tzpath TZPATH 自定义时区库 ZoneInfo缓存
- Python zoneinfo.reset_tzpath 怎么切换自定义时区库
- 176浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集，涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用，助力提升NLP模型性能。
- 375次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台，提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能，助您快速选择最适合项目的高性能大语言模型。
- 447次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制，用户可对比不同大模型回答并生成实时排行榜，助力开发者优化模型及用户选择最佳AI工具。
- 455次使用
-
- HELM
- 深入了解斯坦福推出的HELM（Holistic Evaluation of Language Models）大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景，涵盖准确性、公平性、鲁棒性等多维度指标，助力开发者全面优化语言模型性能。
- 399次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台，提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景，助力开发者全面评估多模态模型性能。
- 226次使用
-
- Python sqlite3 Connection serialize 怎么导出数据库快照：备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态：requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换：encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览
