Compose 是将多个 transform 函数封装为单个可调用对象的工具，用于在 Dataset.__getitem__ 中顺序执行图像预处理；直接用 list 调用会报 TypeError，因 list 不可调用。
Compose 是什么，为什么不能直接用 list 调用 transforms
它不是容器，而是可调用对象——Compose 把一串 transform 函数打包成一个函数，让 Dataset.__getitem__ 能统一传入一张 PIL.Image 或 Tensor 就跑完全部步骤。直接写 [ToTensor(), Normalize(...)](img) 会报 TypeError: 'list' object is not callable。
- 必须用
Compose包一层，否则无法被torch.utils.data.DataLoader内部的 collate 逻辑识别 -
Compose按顺序执行，前一个 transform 的输出类型必须是后一个的输入类型（比如Resize输出PIL.Image，ToTensor才能接住；但ToTensor后输出Tensor，再跟RandomHorizontalFlip就没问题，它支持Tensor输入） - 别在
Compose里混用 PIL 和 Tensor 操作却不检查类型——比如把ColorJitter放在ToTensor后面，会触发TypeError: img should be PIL Image. Got <class></class>
常见 transforms 顺序和参数陷阱
顺序错了，结果可能完全不对。比如归一化 Normalize 必须在 ToTensor 之后——因为 ToTensor 会把像素值从 [0, 255] 缩放到 [0.0, 1.0]，而 Normalize 默认按 ImageNet 统计值设计：mean=[0.485, 0.456, 0.406]、std=[0.229, 0.224, 0.225]，都是针对 [0.0, 1.0] 区间的。
-
RandomRotation和RandomResizedCrop都需要指定interpolation参数，默认是PIL.Image.BILINEAR，但如果用torchvision.transforms.InterpolationMode.BILINEAR（PyTorch 1.9+），要确保你用的是新 API，否则会报AttributeError: module 'torchvision.transforms' has no attribute 'InterpolationMode' -
RandomHorizontalFlip(p=0.5)的p是概率，不是开关；设成p=1.0才是强制翻转，p=0才是禁用 -
Resize((224, 224))和CenterCrop(224)不等价：前者拉伸图像，后者裁剪中心区域；训练常用RandomResizedCrop(224)，验证用Resize(256)+CenterCrop(224)，这是 ImageNet 标准流程
如何调试 Compose 中某一步出错
错误信息往往只说 “transform failed”，但不知道哪步崩了。最直接的办法是拆开单步试：
transform = transforms.ToTensor() img_tensor = transform(img) # 这里崩了？说明原图不是 PIL.Image 或 numpy array
- 用
isinstance(img, PIL.Image.Image)检查输入类型；如果来自 OpenCV（cv2.imread），得先cv2.cvtColor(img, cv2.COLOR_BGR2RGB)再PIL.Image.fromarray(img) - 对
Tensor类型 transform（如Normalize），确认维度是(C, H, W)，且C == 3 or 1；若你是灰度图但用了三通道 mean/std，会报RuntimeError: invalid argument - 别在
Compose里塞自定义 lambda ——比如lambda x: x[:, ::-1]翻转通道，容易破坏后续操作的预期形状；真要写，用transforms.Lambda并加类型注释和断言
Compose 在 Dataset 和 DataLoader 中的实际位置
它属于数据集层面的逻辑，不是 dataloader 的配置项。典型写法是传给 Dataset 的 __init__，而不是 DataLoader 构造时传进去。
- 训练集和验证集通常用不同
Compose：训练加随机增强，验证只做确定性变换（Resize+CenterCrop+ToTensor+Normalize） - 如果你把
Compose写在DataLoader的collate_fn里，会导致每 batch 重复构造 transform 对象，性能差，且无法复用预编译逻辑（比如RandomResizedCrop的内部随机种子管理） - 注意
torchvision.datasets.ImageFolder的transform参数就是接收Compose实例，别传函数列表或单个 transform
最容易被忽略的是：所有 transform 都默认不改变原始图像对象，但有些操作（比如 RandomAffine 的插值）在 CPU 上做会比 GPU 慢很多；如果模型在 GPU 上训，别指望 transform 会自动上卡——ToTensor 输出 CPU tensor，Normalize 也是，得靠 data.to(device) 统一搬运。
