Pytorchのランダムクリップ

このコードは、Torchvisionの

変換を調査します。 例は、異なるパラメーターがOxfordiiitPetデータセットからの画像の収穫とパディングにどのように影響するかを示しています。 コードとその出力を分解しましょう。RandomCrop

コードは、最初にさまざまなパラメーターを使用してA

変換を初期化します：RandomCrop（出力サイズ）、size（トリミング前に追加されたパディングの量）、padding（入力が小さい場合はパッドするかどうかpad_if_needed）、size（パディングの充填色）、およびfill（パディング方法）。 padding_mode次に、

データセットの複数のインスタンスが作成され、それぞれが異なる

変換構成を使用します。これにより、各パラメーターの効果を視覚的に比較できます。 次に、画像はOxfordIIITPet。RandomCropを使用して表示されます matplotlib.pyplotコードは、パラメーターのさまざまな組み合わせを使用して

の出力を表示するように構造化されています。

RandomCrop

さまざまな

値：
• 出力サイズの変更がトリミングされた画像にどのように影響するかを示しています。 sizeさまざまな値：
は、トリミング前に正と負のパディング値が画像にどのように影響するかを示しています。 ネガティブパディングは、トリミング前に効果的に画像を縮小します
• padding：入力がターゲットサイズ（
）よりも小さい場合のパディングの違いを示しています。
• さまざまなpad_if_needed値：は、異なる塗りつぶしの色（グレースケールとRGB）が画像のパッド入り領域にどのように影響するかを示しています。 pad_if_needed=Truepad_if_needed=Falseさまざまな
値：
• 4つのパディングモードを示します：「定数」、「エッジ」、「反射」、「対称」。 fill出力は多数の画像グリッドで構成されており、それぞれが特定の構成の下でOxfordiiitPetデータセットからの画像の5つのランダムな作物を示しています。 タイトルは、各グリッドに使用されるパラメーターを明確に示しています。 コードには、
の機能を複製しますが、パラメーターを引数として取得する2番目の
• 関数も含まれているため、各パラメーターの効果を実証するためにより簡潔になります。 画像からの重要な観察： padding_mode：

画像は、各パラメーターの効果を明確に示しています。 たとえば、

• size値が小さい
画像が小さい。
• padding正の
値は、トリミング前に画像に境界線を追加しますが、負の値は画像サイズを減らします。
• pad_if_needed=True画像がターゲットサイズよりも小さいときにエラーを防ぎますが、pad_if_needed=Falseはエラーになります。
• 値パッド入りの境界の色を変更します。fill
さまざまな
• 値がパッド入りの領域で異なるパターンを生成します。 padding_mode
コードは十分に構造化されており、

変換の機能とそのさまざまなパラメーターの機能を効果的に示しています。 画像を使用すると、各パラメーターの視覚的影響を簡単に理解できます。

RandomCrop

...（残りの画像） 注：多数の画像のため、ここに最初のいくつかの画像の説明しか含まれていません。 画像の完全なセットを個別に表示する必要があります。

以上がPytorchのランダムクリップの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。