pytorch 带batch的tensor类型图像显示操作

pytorch 带batch的tensor类型图像显示操作

pytorch 带batch的tensor类型图像显示操作_python_脚本之家 (jb51.net)

这篇文章主要介绍了pytorch 带batch的tensor类型图像显示操作，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教

 

项目场景

pytorch训练时我们一般把数据集放到数据加载器里，然后分批拿出来训练。训练前我们一般还要看一下训练数据长啥样，也就是训练数据集可视化。

那么如何显示dataloader里面带batch的tensor类型的图像呢？

显示图像

绘图最常用的库就是matplotlib：

1	pip install matplotlib

显示图像会用到matplotlib.pyplot.imshow方法。查阅官方文档可知，该方法接收的图像的通道数要放到后面：

数据加载器中数据的维度是[B, C, H, W]，我们每次只拿一个数据出来就是[C, H, W]，而matplotlib.pyplot.imshow要求的输入维度是[H, W, C]，所以我们需要交换一下数据维度，把通道数放到最后面，这里用到pytorch里面的permute方法（transpose方法也行，不过要交换两次，没这个方便，numpy中的transpose方法倒是可以一次交换完成）

用法示例如下：

1 2 3 4 5

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

代码示例

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

#%% 导入模块 import torch import matplotlib.pyplot as plt from torchvision.utils import make_grid from torch.utils.data import DataLoader from torchvision import datasets, transforms #%% 下载数据集 train_file = datasets.MNIST(     root='./dataset/',     train=True,     transform=transforms.Compose([         transforms.ToTensor(),         transforms.Normalize((0.1307,), (0.3081,))     ]),     download=True ) #%% 制作数据加载器 train_loader = DataLoader(     dataset=train_file,     batch_size=9,     shuffle=True ) #%% 训练数据可视化 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()

这里以mnist数据集为例，演示一下显示效果。我这个代码其实还有一点小问题。数据增强的时候我不是进行标准化了嘛，就是在第7行代码：Normalize((0.1307,), (0.3081,))。

 

所以，如果你想查看训练集的原始图像，还得反标准化。

标准化：image = (image-mean)/std

反标准化：image = image*std+mean

我拿imagenet中的一个蚂蚁和蜜蜂的子集做了一下实验，标准化前后的区别还是很明显的：

最终效果

补充：PIL，plt显示tensor类型的图像

该方法针对显示Dataloader读取的图像

PIL 与plt中对应操作不同，但原理是一样的，我试过用下方代码Image的方法在plt上show失败了，原因暂且不知。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

# 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那一维 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那一维 img = img.numpy() # FloatTensor转为ndarray img = np.transpose(img, (1,2,0)) # 把channel那一维放到最后 # 显示图片 plt.imshow(img) plt.show() cnt += 1