我想使用一种图像增强技术（例如旋转或水平翻转），将其应用于CIFAR-10数据集中的一些图像，并使用PyTorch绘制这些图像。

我知道我们可以使用以下代码来增强图像：

from torchvision import models, datasets, transformsfrom torchvision.datasets import CIFAR10data_transforms = transforms.Compose([        # 添加增强        transforms.RandomHorizontalFlip(p=0.5),        # torchvision数据集的输出是范围在[0, 1]的PILImage图像。        # 我们将它们转换为范围在[-1, 1]的归一化张量        transforms.ToTensor(),        transforms.Normalize(mean, std)    ])

然后我在加载Cifar10数据集时使用了上述变换：

train_set = CIFAR10(    root='./data/',    train=True,    download=True,    transform=data_transforms['train'])

据我所知，当使用此代码时，所有的CIFAR10数据集都被变换了。

问题

我的问题是，如何对数据集中的某些图像使用数据变换或增强技术并绘制它们？例如，10张图像及其增强后的图像。

回答：

当使用此代码时，所有的CIFAR10数据集都被变换了

实际上，变换流程只有在用户通过__getitem__函数或通过数据加载器获取数据集中的图像时才会被调用。因此，此时train_set并不包含增强后的图像，它们是在使用时动态变换的。

你需要构建另一个没有增强的数据库。

>>> non_augmented = CIFAR10(...     root='./data/',...     train=True,...     download=True)>>> train_set = CIFAR10(...     root='./data/',...     train=True,...     download=True,...     transform=data_transforms)

将一些图像堆叠在一起：

>>> imgs = torch.stack((*[non_augmented[i][0] for i in range(10)],                        *[train_set[i][0] for i in range(10)]))>>> imgs.shapetorch.Size([20, 3, 32, 32])

然后torchvision.utils.make_grid可以用来创建所需的布局：

>>> grid = torchvision.utils.make_grid(imgs, nrow=10)

就这样！

>>> transforms.ToPILImage()(grid)