给我买咖啡☕
*备忘录：
我的帖子解释了牛津iiitpet（）。
gaussianblur（）可以随机模糊图像，如下所示：
>
*备忘录：
>初始化的第一个参数是num_output_channels（必需类型：int或tuple/list（int））：*备忘录：是[高度，宽度]。它一定是奇数1 元组/列表必须是具有1或2个元素的1d。单个值（int或tuple/list（int））表示[num_output_channels，num_output_channels]。初始化的第二个参数是sigma（可选默认：（0.1，2.0）-type：int或tuple/tuple/list（int））：*备忘录：是[min，max]，所以必须是最小必须是0 元组/列表必须是具有1或2个元素的1d。单个值（int或tuple/list（int））表示[sigma，sigma]。第一个参数是img（必需类型：pil图像或张量（int））：*备忘录：张量必须为2d或3d。不使用img =。建议根据v1或v2使用v2？我应该使用哪一个？
from torchvision.datasets import OxfordIIITPetfrom torchvision.transforms.v2 import GaussianBlurgaussianblur = GaussianBlur(kernel_size=1)gaussianblur = GaussianBlur(kernel_size=1, sigma=(0.1, 2.0))gaussianblur# GaussianBlur(kernel_size=(1, 1), sigma=[0.1, 2.0])gaussianblur.kernel_size # (1, 1)gaussianblur.sigma# [0.1, 2.0]origin_data = OxfordIIITPet( root="data", transform=None)ks1_data = OxfordIIITPet( # `ks` is kernel_size. root="data", transform=GaussianBlur(kernel_size=1) # transform=GaussianBlur(kernel_size=[1]) # transform=GaussianBlur(kernel_size=[1, 1]))ks3_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=3))ks5_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=5))ks7_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=7))ks9_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=9))ks11_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=11))ks51_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=51))ks101_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=101))ks9_51_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=[9, 51]))ks51_9_data = OxfordIIITPet( root="data", transform=GaussianBlur(kernel_size=[51, 9]))import matplotlib.pyplot as pltdef 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")show_images1(data=ks1_data, main_title="ks1_data")show_images1(data=ks3_data, main_title="ks3_data")show_images1(data=ks5_data, main_title="ks5_data")show_images1(data=ks7_data, main_title="ks7_data")show_images1(data=ks9_data, main_title="ks9_data")show_images1(data=ks11_data, main_title="ks11_data")show_images1(data=ks51_data, main_title="ks51_data")show_images1(data=ks101_data, main_title="ks101_data")print()show_images1(data=origin_data, main_title="origin_data")show_images1(data=ks9_51_data, main_title="ks9_51_data")show_images1(data=ks51_9_data, main_title="ks51_9_data")# ↓ ↓ ↓ ↓ ↓ ↓ The code below is identical to the code above. ↓ ↓ ↓ ↓ ↓ ↓def show_images2(data, main_title=None, ks=None, s=(0.1, 2.0)): plt.figure(figsize=[10, 5]) plt.suptitle(t=main_title, y=0.8, fontsize=14) if ks: for i, (im, _) in zip(range(1, 6), data): plt.subplot(1, 5, i) gb = GaussianBlur(kernel_size=ks, sigma=s) plt.imshow(X=gb(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")show_images2(data=origin_data, main_title="ks1_data", ks=1)show_images2(data=origin_data, main_title="ks3_data", ks=3)show_images2(data=origin_data, main_title="ks5_data", ks=5)show_images2(data=origin_data, main_title="ks7_data", ks=7)show_images2(data=origin_data, main_title="ks9_data", ks=9)show_images2(data=origin_data, main_title="ks11_data", ks=11)show_images2(data=origin_data, main_title="ks51_data", ks=51)show_images2(data=origin_data, main_title="ks101_data", ks=101)print()show_images2(data=origin_data, main_title="origin_data")show_images2(data=origin_data, main_title="ks9_51data", ks=[9, 51])show_images2(data=origin_data, main_title="ks51_9_data", ks=[51, 9])
以上就是Pytorch中的高斯布鲁尔（1）的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1356139.html
微信扫一扫 
支付宝扫一扫 
