randomequalize in pytorch

最近发现不少小伙伴都对文章很感兴趣，所以今天继续给大家介绍文章相关的知识，本文《randomequalize in pytorch》主要内容涉及到等等知识点，希望能帮到你！当然如果阅读本文时存在不同想法，可以在评论中表达，但是请勿使用过激的措辞~

给我买咖啡☕

*备忘录：

• 我的帖子解释了牛津iiitpet（）。

> randomequalize（）可以用给定概率随机将图像的直方图均衡如下：

*备忘录：

• 初始化的第一个参数是p（可选默认：0.5-type：int或float）： *备忘录：
  • 是图像是否倒置的概率。
  >
  • 必须为0 < = x < = 1。
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 RandomEqualize
  
  randomequalize = RandomEqualize()
  randomequalize = RandomEqualize(p=0.5)
  
  randomequalize
  # RandomEqualize(p=0.5)
  
  randomequalize.p 
  # 0.5
  
  origin_data = OxfordIIITPet(
      root="data",
      transform=None
  )
  
  p0_data = OxfordIIITPet(
      root="data",
      transform=RandomEqualize(p=0)
  )
  
  p05_data = OxfordIIITPet(
      root="data",
      transform=RandomEqualize(p=0.5)
      # transform=RandomEqualize()
  )
  
  p1_data = OxfordIIITPet(
      root="data",
      transform=RandomEqualize(p=1)
  )
  
  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")
  print()
  show_images1(data=p0_data, main_title="p0_data")
  show_images1(data=p0_data, main_title="p0_data")
  show_images1(data=p0_data, main_title="p0_data")
  print()
  show_images1(data=p05_data, main_title="p05_data")
  show_images1(data=p05_data, main_title="p05_data")
  show_images1(data=p05_data, main_title="p05_data")
  print()
  show_images1(data=p1_data, main_title="p1_data")
  show_images1(data=p1_data, main_title="p1_data")
  show_images1(data=p1_data, main_title="p1_data")
  
  # ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
  def show_images2(data, main_title=None, prob=0):
      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)
          re = RandomEqualize(p=prob)
          plt.imshow(X=re(im))
          plt.xticks(ticks=[])
          plt.yticks(ticks=[])
      plt.tight_layout()
      plt.show()
  
  show_images2(data=origin_data, main_title="origin_data")
  print()
  show_images2(data=origin_data, main_title="p0_data", prob=0)
  show_images2(data=origin_data, main_title="p0_data", prob=0)
  show_images2(data=origin_data, main_title="p0_data", prob=0)
  print()
  show_images2(data=origin_data, main_title="p05_data", prob=0.5)
  show_images2(data=origin_data, main_title="p05_data", prob=0.5)
  show_images2(data=origin_data, main_title="p05_data", prob=0.5)
  print()
  show_images2(data=origin_data, main_title="p1_data", prob=1)
  show_images2(data=origin_data, main_title="p1_data", prob=1)
  show_images2(data=origin_data, main_title="p1_data", prob=1)
  

今天关于《randomequalize in pytorch》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！