برنامه نویسی

مقیاس خاکستری در Pytorch – Community Dev

برای من یک قهوه بخر

*یادداشت ها:

Grayscale () می تواند یک تصویر را به شکل زیر تبدیل کند همانطور که در زیر آمده است:

*یادداشت ها:

  • اولین استدلال برای اولیه سازی است num_output_channels(پیش فرض اختیاری:1نوع:int). *باید باشد 1 یا 3بشر
  • استدلال اول است img(نوع مورد نیاز:PIL Image یا tensor(int)): *یادداشت ها:
    • یک تانسور باید سه بعدی باشد.
    • استفاده نکنید img=بشر
  • v2 توصیه می شود مطابق V1 یا V2 استفاده شود؟ از کدام یک باید استفاده کنم؟
from torchvision.datasets import OxfordIIITPet
from torchvision.transforms.v2 import Grayscale

gs = Grayscale()
gs = Grayscale(num_output_channels=1)

gs
# Grayscale(num_output_channels=1)

gs.num_output_channels
# 1

origin_data = OxfordIIITPet(
    root="data",
    transform=None
)

noc1_data = OxfordIIITPet( # `noc` is num_output_channels.
    root="data",
    transform=Grayscale(num_output_channels=1)
)

noc3_data = OxfordIIITPet(
    root="data",
    transform=Grayscale(num_output_channels=3)
)

import matplotlib.pyplot as plt

def show_images1(data, main_title=None):
    plt.figure(figsize=[10, 5])
    plt.suptitle(t=main_title, y=0.8, fontsize=14)
    for i, (im, _) in zip(range(1, 6), data):
        plt.subplot(1, 5, i)
        plt.imshow(X=im)
        plt.xticks(ticks=[])
        plt.yticks(ticks=[])
    plt.tight_layout()
    plt.show()

show_images1(data=origin_data, main_title="origin_data")
print()
show_images1(data=noc1_data, main_title="noc1_data")
show_images1(data=noc1_data, main_title="noc1_data")
show_images1(data=noc1_data, main_title="noc1_data")
print()
show_images1(data=noc3_data, main_title="noc3_data")
show_images1(data=noc3_data, main_title="noc3_data")
show_images1(data=noc3_data, main_title="noc3_data")

# ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
def show_images2(data, main_title=None, noc=None):
    plt.figure(figsize=[10, 5])
    plt.suptitle(t=main_title, y=0.8, fontsize=14)
    if main_title != "origin_data":
        for i, (im, _) in zip(range(1, 6), data):
            plt.subplot(1, 5, i)
            gs = Grayscale(num_output_channels=noc)
            plt.imshow(X=gs(im))
            plt.xticks(ticks=[])
            plt.yticks(ticks=[])
    else:
        for i, (im, _) in zip(range(1, 6), data):
            plt.subplot(1, 5, i)
            plt.imshow(X=im)
            plt.xticks(ticks=[])
            plt.yticks(ticks=[])
    plt.tight_layout()
    plt.show()

show_images2(data=origin_data, main_title="origin_data")
print()
show_images2(data=origin_data, main_title="noc1_data", noc=1)
show_images2(data=origin_data, main_title="noc1_data", noc=1)
show_images2(data=origin_data, main_title="noc1_data", noc=1)
print()
show_images2(data=origin_data, main_title="noc3_data", noc=3)
show_images2(data=origin_data, main_title="noc3_data", noc=3)
show_images2(data=origin_data, main_title="noc3_data", noc=3)
حالت تمام صفحه را وارد کنید

از حالت تمام صفحه خارج شوید

شرح تصویر


شرح تصویر

شرح تصویر

شرح تصویر


شرح تصویر

شرح تصویر

شرح تصویر

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا