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 | 可变参数 装饰器 \*args \*\*kwargs 参数解包
- \*args和\*kwargs区别全解析
- 399浏览 收藏
-
- 文章 · python教程 | 1小时前 |
- Python遍历字典的实用方法
- 404浏览 收藏
-
- 文章 · python教程 | 2小时前 |
- Pygame入门：零基础玩转Python2D游戏开发
- 311浏览 收藏
-
- 文章 · python教程 | 2小时前 | Python `__name__` 获取函数名 `inspect`模块 `sys._getframe()`
- Python获取当前函数名的技巧
- 447浏览 收藏
-
- 文章 · python教程 | 2小时前 |
- PythonLambda函数使用详解
- 444浏览 收藏
-
- 文章 · python教程 | 2小时前 |
- Setuptools注册Pluggy多插件技巧
- 244浏览 收藏
-
- 文章 · python教程 | 2小时前 |
- Python用Matplotlib画折线图教程
- 123浏览 收藏
-
- 文章 · python教程 | 3小时前 |
- Pythonrequests库使用教程详解
- 457浏览 收藏
-
- 文章 · python教程 | 4小时前 |
- Python字典按值排序技巧全解析
- 416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
- 499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。
- 484次学习
-
- PandaWiki开源知识库
- PandaWiki是一款AI大模型驱动的开源知识库搭建系统，助您快速构建产品/技术文档、FAQ、博客。提供AI创作、问答、搜索能力，支持富文本编辑、多格式导出，并可轻松集成与多来源内容导入。
- 61次使用
-
- AI Mermaid流程图
- SEO AI Mermaid 流程图工具：基于 Mermaid 语法，AI 辅助，自然语言生成流程图，提升可视化创作效率，适用于开发者、产品经理、教育工作者。
- 864次使用
-
- 搜获客【笔记生成器】
- 搜获客笔记生成器，国内首个聚焦小红书医美垂类的AI文案工具。1500万爆款文案库，行业专属算法，助您高效创作合规、引流的医美笔记，提升运营效率，引爆小红书流量！
- 881次使用
-
- iTerms
- iTerms是一款专业的一站式法律AI工作台，提供AI合同审查、AI合同起草及AI法律问答服务。通过智能问答、深度思考与联网检索，助您高效检索法律法规与司法判例，告别传统模板，实现合同一键起草与在线编辑，大幅提升法律事务处理效率。
- 898次使用
-
- TokenPony
- TokenPony是讯盟科技旗下的AI大模型聚合API平台。通过统一接口接入DeepSeek、Kimi、Qwen等主流模型，支持1024K超长上下文，实现零配置、免部署、极速响应与高性价比的AI应用开发，助力专业用户轻松构建智能服务。
- 965次使用
-
- Flask框架安装技巧：让你的开发更高效
- 2024-01-03 501浏览
-
- Django框架中的并发处理技巧
- 2024-01-22 501浏览
-
- 提升Python包下载速度的方法——正确配置pip的国内源
- 2024-01-17 501浏览
-
- Python与C++：哪个编程语言更适合初学者？
- 2024-03-25 501浏览
-
- 品牌建设技巧
- 2024-04-06 501浏览
