我是PyTorch的新手，我想做的事情可能很简单，但我没有在网上找到任何关于在不向图像（在我这里是）文件夹中添加新观察的情况下增加观察数量的信息。我不想向文件夹中添加图像，因为我想尝试不同的变换，看看哪个效果最好，而不必每次都删除图像。所以我做的就是：
trf = transforms.Compose([ transforms.ToTensor(), transforms.RandomRotation(degrees=45), transforms.Grayscale(num_output_channels=1), transforms.Normalize(0, 1), transforms.functional.invert])train_data = torchvision.datasets.ImageFolder(root='./splitted_data/train', transform= trf)print(len(train_data))train = DataLoader(train_data, batch_size= batch_size, shuffle= True, num_workers= os.cpu_count())这里的输出将与所有文件夹中图像的数量相同，这意味着变换已经被应用到现有的观察上，但这并不是我想要达到的。我希望每个变换都是一个独立的副本。我该怎么做呢？
回答：
你可以实现一个变换包装器，它将顺序应用变换并输出每一种变换组合。Torchvision的随机变换的问题在于，当变换被调用时，参数会被抽样。这使得重现相同的变换变得困难。一个替代方案是堆叠或拼接所有图像，并在该堆叠上应用一次变换。
我将变换管道分为三个部分：预处理和后处理变换（后者不应该是随机的，因为它是单独应用的）。至于主要的变换，它们是你想要创建组合的变换列表，这里是RandomRotation和Grayscale。
请注意，当处理影响通道数量的变换（如Grayscale）时，此解决方案有一定的限制。一般来说，你希望保持相同的张量维度，否则你的拼接和/或堆叠将会失败。
这是一个可能的解决方案：
class Combination(nn.Module): def __init__(self, transforms, pre, post): super().__init__() self.transforms = transforms self.pre = T.Compose(pre) self.post = T.Compose(post) def stacked_t(self, t, x): lengths = [len(o) for o in x] return t(torch.cat(x)).split(lengths) def forward(self, x): out = [self.pre(x)[None]] for t in transforms: out += self.stacked_t(t, out) # <- for every transform `t` we double # the number of instances in` out` out = [self.post(o)[0] for o in out] return out这里是一个带有输入图像的使用示例：
>>> img
初始化变换组合：
>>> t = Combination(pre=[T.ToTensor()],... post=[T.Normalize(0, 1),... T.functional.invert],... transforms=[T.RandomRotation(degrees=45),... T.Grayscale(num_output_channels=1)])这是不同变换组合的预览：
>>> img_ = t(img)img_[0] |
img_[1] |
img_[2] |
img_[3] |
|---|---|---|---|
 |
 |
 |
 |
