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:1
نوع:int
). *باید باشد1
یا3
بشر - استدلال اول است
img
(نوع مورد نیاز:PIL Image
یاtensor
(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)