برنامه نویسی

RandomInvert در Pytorch – Community Dev

برای من یک قهوه بخر

*یادداشت ها:

RandomInvert () می تواند به طور تصادفی یک تصویر را مطابق شکل زیر معکوس کند:

*یادداشت ها:

  • اولین استدلال برای اولیه سازی است p(پیش فرض اختیاری:0.5نوع:int یا float): *یادداشت ها:
    • این احتمال وجود دارد که یک تصویر وارونه شده باشد یا خیر.
    • باید باشد 0 <= x <= 1بشر
  • استدلال اول است img(نوع مورد نیاز:PIL Image یا tensor(int)): *یادداشت ها:
    • تانسور باید 2D یا 3D 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 RandomInvert

randominvert = RandomInvert()
randominvert = RandomInvert(p=0.5)

randominvert
# RandomInvert(p=0.5)

randominvert.p 
# 0.5

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

p0_data = OxfordIIITPet(
    root="data",
    transform=RandomInvert(p=0)
)

p05_data = OxfordIIITPet(
    root="data",
    transform=RandomInvert(p=0.5)
)

p1_data = OxfordIIITPet(
    root="data",
    transform=RandomInvert(p=1)
)

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=p0_data, main_title="p0_data")
show_images1(data=p0_data, main_title="p0_data")
show_images1(data=p0_data, main_title="p0_data")
print()
show_images1(data=p05_data, main_title="p05_data")
show_images1(data=p05_data, main_title="p05_data")
show_images1(data=p05_data, main_title="p05_data")
print()
show_images1(data=p1_data, main_title="p1_data")
show_images1(data=p1_data, main_title="p1_data")
show_images1(data=p1_data, main_title="p1_data")

# ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓
def show_images2(data, main_title=None, prob=0):
    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)
        ri = RandomInvert(p=prob)
        plt.imshow(X=ri(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="p0_data", prob=0)
show_images2(data=origin_data, main_title="p0_data", prob=0)
show_images2(data=origin_data, main_title="p0_data", prob=0)
print()
show_images2(data=origin_data, main_title="p05_data", prob=0.5)
show_images2(data=origin_data, main_title="p05_data", prob=0.5)
show_images2(data=origin_data, main_title="p05_data", prob=0.5)
print()
show_images2(data=origin_data, main_title="p1_data", prob=1)
show_images2(data=origin_data, main_title="p1_data", prob=1)
show_images2(data=origin_data, main_title="p1_data", prob=1)
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


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