Pytorch中的高斯布鲁尔（1）

大家好，今天本人给大家带来文章《Pytorch中的高斯布鲁尔（1）》，文中内容主要涉及到，如果你对文章方面的知识点感兴趣，那就请各位朋友继续看下去吧~希望能真正帮到你们，谢谢！

给我买咖啡☕

*备忘录：

• 我的帖子解释了牛津iiitpet（）。

gaussianblur（）可以随机模糊图像，如下所示：

*备忘录：

• >初始化的第一个参数是num_output_channels（必需类型：int或tuple/list（int））： *备忘录：
  • 是[高度，宽度]。
  • 它一定是奇数1 < = x。
  • 元组/列表必须是具有1或2个元素的1d。
  单个值（int或tuple/list（int））表示[num_output_channels，num_output_channels]。
初始化的第二个参数是sigma（可选默认：（0.1，2.0）-type：int或tuple/tuple/list（int））： *备忘录：
• 是[min，max]，所以必须是最小< = max。
  必须是0 < x。
  • 元组/列表必须是具有1或2个元素的1d。
  单个值（int或tuple/list（int））表示[sigma，sigma]。
  • 第一个参数是img（必需类型：pil图像或张量（int））： *备忘录：
  张量必须为2d或3d。
不使用img =。
• 建议根据v1或v2使用v2？我应该使用哪一个？

  from torchvision.datasets import OxfordIIITPet
  from torchvision.transforms.v2 import GaussianBlur
  
  gaussianblur = GaussianBlur(kernel_size=1)
  gaussianblur = GaussianBlur(kernel_size=1, sigma=(0.1, 2.0))
  
  gaussianblur
  # GaussianBlur(kernel_size=(1, 1), sigma=[0.1, 2.0])
  
  gaussianblur.kernel_size 
  # (1, 1)
  
  gaussianblur.sigma
  # [0.1, 2.0]
  
  origin_data = OxfordIIITPet(
      root="data",
      transform=None
  )
  
  ks1_data = OxfordIIITPet( # `ks` is kernel_size.
      root="data",
      transform=GaussianBlur(kernel_size=1)
      # transform=GaussianBlur(kernel_size=[1])
      # transform=GaussianBlur(kernel_size=[1, 1])
  )
  
  ks3_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=3)
  )
  
  ks5_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=5)
  )
  
  ks7_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=7)
  )
  
  ks9_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=9)
  )
  
  ks11_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=11)
  )
  
  ks51_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=51)
  )
  
  ks101_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=101)
  )
  
  ks9_51_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=[9, 51])
  )
  
  ks51_9_data = OxfordIIITPet(
      root="data",
      transform=GaussianBlur(kernel_size=[51, 9])
  )
  
  import matplotlib.pyplot as plt
  
  def show_images1(data, main_title=None):
      plt.figure(figsize=[10, 5])
      plt.suptitle(t=main_title, y=0.8, fontsize=14)
      for i, (im, _) in zip(range(1, 6), data):
          plt.subplot(1, 5, i)
          plt.imshow(X=im)
          plt.xticks(ticks=[])
          plt.yticks(ticks=[])
      plt.tight_layout()
      plt.show()
  
  show_images1(data=origin_data, main_title="origin_data")
  show_images1(data=ks1_data, main_title="ks1_data")
  show_images1(data=ks3_data, main_title="ks3_data")
  show_images1(data=ks5_data, main_title="ks5_data")
  show_images1(data=ks7_data, main_title="ks7_data")
  show_images1(data=ks9_data, main_title="ks9_data")
  show_images1(data=ks11_data, main_title="ks11_data")
  show_images1(data=ks51_data, main_title="ks51_data")
  show_images1(data=ks101_data, main_title="ks101_data")
  print()
  show_images1(data=origin_data, main_title="origin_data")
  show_images1(data=ks9_51_data, main_title="ks9_51_data")
  show_images1(data=ks51_9_data, main_title="ks51_9_data")
  
  # ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
  def show_images2(data, main_title=None, ks=None, s=(0.1, 2.0)):
      plt.figure(figsize=[10, 5])
      plt.suptitle(t=main_title, y=0.8, fontsize=14)
      if ks:
          for i, (im, _) in zip(range(1, 6), data):
              plt.subplot(1, 5, i)
              gb = GaussianBlur(kernel_size=ks, sigma=s)
              plt.imshow(X=gb(im))
              plt.xticks(ticks=[])
              plt.yticks(ticks=[])
      else:
          for i, (im, _) in zip(range(1, 6), data):
              plt.subplot(1, 5, i)
              plt.imshow(X=im)
              plt.xticks(ticks=[])
              plt.yticks(ticks=[])
      plt.tight_layout()
      plt.show()
  
  show_images2(data=origin_data, main_title="origin_data")
  show_images2(data=origin_data, main_title="ks1_data", ks=1)
  show_images2(data=origin_data, main_title="ks3_data", ks=3)
  show_images2(data=origin_data, main_title="ks5_data", ks=5)
  show_images2(data=origin_data, main_title="ks7_data", ks=7)
  show_images2(data=origin_data, main_title="ks9_data", ks=9)
  show_images2(data=origin_data, main_title="ks11_data", ks=11)
  show_images2(data=origin_data, main_title="ks51_data", ks=51)
  show_images2(data=origin_data, main_title="ks101_data", ks=101)
  print()
  show_images2(data=origin_data, main_title="origin_data")
  show_images2(data=origin_data, main_title="ks9_51data", ks=[9, 51])
  show_images2(data=origin_data, main_title="ks51_9_data", ks=[51, 9])
  

今天关于《Pytorch中的高斯布鲁尔（1）》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！