为了方便进行数据的操作，pytorch团队提供了一个torchvision.transforms包，我们可以用transforms进行以下操作：

• PIL.Image/numpy.ndarray与Tensor的相互转化；
• 归一化；
• 对PIL.Image进行裁剪、缩放等操作。

通常，在使用torchvision.transforms，我们通常使用transforms.Compose将transforms组合在一起。

PIL.Image/numpy.ndarray与Tensor的相互转换

PIL.Image/numpy.ndarray转化为Tensor，常常用在训练模型阶段的数据读取，而Tensor转化为PIL.Image/numpy.ndarray则用在验证模型阶段的数据输出。我们可以使用 transforms.ToTensor() 将 PIL.Image/numpy.ndarray 数据进转化为torch.FloadTensor，并归一化到[0, 1.0]：

• 取值范围为[0, 255]的PIL.Image，转换成形状为[C, H, W]，取值范围是[0, 1.0]的torch.FloadTensor；
  
• 形状为[H, W, C]的numpy.ndarray，转换成形状为[C, H, W]，取值范围是[0, 1.0]的torch.FloadTensor。

而transforms.ToPILImage则是将Tensor转化为PIL.Image。如果，我们要将Tensor转化为numpy，只需要使用 .numpy() 即可。如下：[python] view plain copy

1. img_path = "./data/img_37.jpg"  
2.   
3. # transforms.ToTensor()  
4. transform1 = transforms.Compose([  
5.     transforms.ToTensor(), # range [0, 255] -> [0.0,1.0]  
6.     ]  
7. )  
8.   
9. ##numpy.ndarray  
10. img = cv2.imread(img_path)# 读取图像  
11. img1 = transform1(img) # 归一化到 [0.0,1.0]  
12. print("img1 = ",img1)  
13. # 转化为numpy.ndarray并显示  
14. img_1 = img1.numpy()*255  
15. img_1 = img_1.astype('uint8')  
16. img_1 = np.transpose(img_1, (1,2,0))  
17. cv2.imshow('img_1', img_1)  
18. cv2.waitKey()  
19.   
20. ##PIL  
21. img = Image.open(img_path).convert('RGB') # 读取图像  
22. img2 = transform1(img) # 归一化到 [0.0,1.0]  
23. print("img2 = ",img2)  
24. #转化为PILImage并显示  
25. img_2 = transforms.ToPILImage()(img2).convert('RGB')  
26. print("img_2 = ",img_2)  
27. img_2.show()   

归一化

归一化对神经网络的训练是非常重要的，那么我们如何归一化到[-1.0, -1.0]呢？只需要将上面的transform1改为如下所示：[python] view plain copy

1. transform2 = transforms.Compose([  
2.     transforms.ToTensor(),  
3.     transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))  
4.     ]  
5. )  

（1）transforms.Compose就是将transforms组合在一起；（2）transforms.Normalize使用如下公式进行归一化：channel=（channel-mean）/std这样一来，我们的数据中的每个值就变成了[-1,1]的数了。

PIL.Image的缩放裁剪等操作

此外，transforms还提供了裁剪，缩放等操作，以便进行数据增强。下面就看一个随机裁剪的例子，这个例子中，仍然使用 Compose 将 transforms 组合在一起，如下：[python] view plain copy

1. # transforms.RandomCrop()  
2. transform4 = transforms.Compose([  
3.     transforms.ToTensor(),   
4.     transforms.ToPILImage(),  
5.     transforms.RandomCrop((300,300)),  
6.     ]  
7. )  
8.   
9. img = Image.open(img_path).convert('RGB')  
10. img3 = transform4(img)  
11. img3.show()  

最后，安利一下pytorch中文文档。在各方小伙伴的努力和支持下，pytorch中文文档第一版终于上线啦！！！（鼓掌）文档还有很多小瑕疵，但是大体可以放心使用了～我们遵循快速迭代的原则，所以赶紧上线第一版来接受广大开源社区的意见和建议。欢迎加入我们！github项目地址：awfssv/pytorch-cn
中文翻译组QQ群：628478868
还有pytorch项目交流群：613523596
欢迎关注！