pytorch 带batch的tensor类型图像显示操作_Python

pytorch 带batch的tensor类型图像显示操作

2021-11-08 10:41Xavier Jiezou Python

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：

				?

									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：

pytorch 带batch的tensor类型图像显示操作

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：

				?

									>>> 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

				?

									#%% 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：

pytorch 带batch的tensor类型图像显示操作

最终效果

pytorch 带batch的tensor类型图像显示操作

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。

				?

									# 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