佛山外贸建站,h5开发平台有哪些,能和实体彩票店和做的彩票网站,wordpress用户注册数据库PyTorch框架学习七——自定义transforms方法一、自定义transforms注意要素二、自定义transforms步骤三、自定义transforms实例#xff1a;椒盐噪声虽然前面的笔记介绍了很多PyTorch给出的transforms方法#xff0c;也非常有用#xff0c;但是也有可能在具体的问题中需要开发…
PyTorch框架学习七——自定义transforms方法一、自定义transforms注意要素二、自定义transforms步骤三、自定义transforms实例椒盐噪声虽然前面的笔记介绍了很多PyTorch给出的transforms方法也非常有用但是也有可能在具体的问题中需要开发者自定义transforms方法这次笔记就介绍如何自定义transforms方法。
ps本次笔记中使用的原始图像出自上次笔记https://blog.csdn.net/qq_40467656/article/details/107958492
一、自定义transforms注意要素
从数据读取机制DataLoader我们知道了transforms的内部工作原理是在Compose类的__call__函数定义并实现的
class Compose(object):Composes several transforms together.Args:transforms (list of Transform objects): list of transforms to compose.Example: transforms.Compose([ transforms.CenterCrop(10), transforms.ToTensor(), ])def __init__(self, transforms):self.transforms transformsdef __call__(self, img):for t in self.transforms:img t(img)return img由此出发可以看出自定义transforms需要注意两个要素
仅接收一个参数img并返回一个参数imgtransforms之间要注意上下游的输入与输出的格式匹配。
二、自定义transforms步骤
首先自定义的transforms的输入参数可能不只img一个如概率p等等但是原来的代码只允许接收一个参数返回一个参数所以可以在原来的基础上改进
class YourTransforms(object):def __init__(self, ...): # ...是要传入的多个参数# 对多参数进行传入# 如 self.p p 传入概率# ...def __call__(self, img): # __call__函数还是只有一个参数传入# 该自定义transforms方法的具体实现过程# ...return img步骤如下
自定义一个类YourTransforms结构类似Compose类__init__函数作为多参数传入的地方__call__函数具体实现自定义的transforms方法
三、自定义transforms实例椒盐噪声
椒盐噪声又称为脉冲噪声是一种随机出现的白点或黑点白点被称为盐噪声黑点被称为椒噪声其与信噪比SNR息息相关。
此外我们还想加入概率p这个参数实现随机添加椒盐噪声。
仿照实现步骤先写出其实现的大致框架
class AddPepperNoise(object):def __init__(self, snr, p): # snr, p 是要传入的多个参数self.snr snrself.p p def __call__(self, img): # __call__函数还是只有一个参数传入添加椒盐噪声的具体实现过程return img完整实现代码
class AddPepperNoise(object):增加椒盐噪声Args:snr float: Signal Noise Ratep (float): 概率值依概率执行该操作def __init__(self, snr, p0.9):assert isinstance(snr, float) and (isinstance(p, float))self.snr snrself.p pdef __call__(self, img):Args:img (PIL Image): PIL ImageReturns:PIL Image: PIL image.if random.uniform(0, 1) self.p:img_ np.array(img).copy()h, w, c img_.shapesignal_pct self.snrnoise_pct (1 - self.snr)mask np.random.choice((0, 1, 2), size(h, w, 1), p[signal_pct, noise_pct/2., noise_pct/2.])mask np.repeat(mask, c, axis2)img_[mask 1] 255 # 盐噪声img_[mask 2] 0 # 椒噪声return Image.fromarray(img_.astype(uint8)).convert(RGB)else:return img添加椒盐噪声之后
