項(xiàng)目場景

pytorch訓(xùn)練時(shí)我們一般把數(shù)據(jù)集放到數(shù)據(jù)加載器里，然后分批拿出來訓(xùn)練。訓(xùn)練前我們一般還要看一下訓(xùn)練數(shù)據(jù)長啥樣，也就是訓(xùn)練數(shù)據(jù)集可視化。

那么如何顯示dataloader里面帶batch的tensor類型的圖像呢？

顯示圖像

繪圖最常用的庫就是matplotlib：

pip install matplotlib

顯示圖像會(huì)用到matplotlib.pyplot.imshow方法。查閱官方文檔可知，該方法接收的圖像的通道數(shù)要放到后面：

數(shù)據(jù)加載器中數(shù)據(jù)的維度是[B, C, H, W]，我們每次只拿一個(gè)數(shù)據(jù)出來就是[C, H, W]，而matplotlib.pyplot.imshow要求的輸入維度是[H, W, C]，所以我們需要交換一下數(shù)據(jù)維度，把通道數(shù)放到最后面，這里用到pytorch里面的permute方法（transpose方法也行，不過要交換兩次，沒這個(gè)方便，numpy中的transpose方法倒是可以一次交換完成）

用法示例如下：

>>> x = torch.randn(2, 3, 5)
>>> x.size()
torch.Size([2, 3, 5])
>>> x.permute(1, 2, 0).size()
torch.Size([3, 5, 2])

代碼示例

#%% 導(dǎo)入模塊
import torch
import matplotlib.pyplot as plt
from torchvision.utils import make_grid
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
#%% 下載數(shù)據(jù)集
train_file = datasets.MNIST(
 root='./dataset/',
 train=True,
 transform=transforms.Compose([
  transforms.ToTensor(),
  transforms.Normalize((0.1307,), (0.3081,))
 ]),
 download=True
)
#%% 制作數(shù)據(jù)加載器
train_loader = DataLoader(
 dataset=train_file,
 batch_size=9,
 shuffle=True
)
#%% 訓(xùn)練數(shù)據(jù)可視化
images, labels = next(iter(train_loader))
print(images.size())  # torch.Size([9, 1, 28, 28])
plt.figure(figsize=(9, 9))
for i in range(9):
 plt.subplot(3, 3, i+1)
 plt.title(labels[i].item())
 plt.imshow(images[i].permute(1, 2, 0), cmap='gray')
 plt.axis('off')
plt.show()

這里以mnist數(shù)據(jù)集為例，演示一下顯示效果。我這個(gè)代碼其實(shí)還有一點(diǎn)小問題。數(shù)據(jù)增強(qiáng)的時(shí)候我不是進(jìn)行標(biāo)準(zhǔn)化了嘛，就是在第7行代碼：Normalize((0.1307,), (0.3081,))。

所以，如果你想查看訓(xùn)練集的原始圖像，還得反標(biāo)準(zhǔn)化。

標(biāo)準(zhǔn)化：image = (image-mean)/std

反標(biāo)準(zhǔn)化：image = image*std+mean

我拿imagenet中的一個(gè)螞蟻和蜜蜂的子集做了一下實(shí)驗(yàn)，標(biāo)準(zhǔn)化前后的區(qū)別還是很明顯的：

最終效果

補(bǔ)充：PIL，plt顯示tensor類型的圖像

該方法針對(duì)顯示Dataloader讀取的圖像

PIL 與plt中對(duì)應(yīng)操作不同，但原理是一樣的，我試過用下方代碼Image的方法在plt上show失敗了，原因暫且不知。

 # 方法1：Image.show()
 # transforms.ToPILImage()中有一句
 # npimg = np.transpose(pic.numpy(), (1, 2, 0))
 # 因此pic只能是3-D Tensor，所以要用image[0]消去batch那一維
 img = transforms.ToPILImage(image[0])
 img.show()
 # 方法2：plt.imshow(ndarray)
 img = image[0] # plt.imshow()只能接受3-D Tensor，所以也要用image[0]消去batch那一維
 img = img.numpy() # FloatTensor轉(zhuǎn)為ndarray
 img = np.transpose(img, (1,2,0)) # 把channel那一維放到最后
 # 顯示圖片
 plt.imshow(img)
 plt.show()
 cnt += 1

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持本站。

美國快速服務(wù)器

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請(qǐng)保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請(qǐng)聯(lián)系alex-e#qq.com處理。