Pytorch(2)-TensorBoard和Transforms的使用

# 一般通过这个SummaryWriter来创建图像。这个类可以在训练过程中向文件中添加数据，常用的两个方法为add_scalar和add_image,使用方法如下：
from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

# 1.实例化这个SummaryWriter:要将东西保存到哪个文件夹，这里保存到该项目下的logs文件夹下，即pytorch01_hello/code/logs
# 如果没有该文件夹会自动创建
writer = SummaryWriter("logs")
# 2.1add_scalar需要三个必须的参数：
# 第一个是图表的标题，第二个是图表的scalar_value，相当图表的y轴，第三个是global_step，意思为目标步数，也就是训练到多少步时输出图像，相当于x轴
for i in range(100):
    writer.add_scalar("x=2y", i, 50)

# 2.2add_image()的使用
img_PIL = Image.open("F:\pytorch\pytorch01_hello\dataset\train\ants_image\5650366_e22b7e1065.jpg")
img_array = np.array(img_PIL)
# 两个必须的参数：tag：自定义，img_tensor：要加载的图像数据
# 注意，要设置dataformats参数，这个参数默认为CHW用于设置图像的格式(shape)：C代表通道数量，H代表图像高度，W代表图像宽度
writer.add_image("test", img_array, 3, dataformats="HWC")

writer.close()

# 问题：
# 1.python中如何使用transforms
# 2.为什么需要tensor数据类型：我们要将图像转为tensor类型，让神经网络进行训练
from PIL import Image
from torchvision import transforms
from torch.utils.tensorboard import SummaryWriter


# 用Image.open()读取的图像为PIL类型，用cv2.imread(图像路径)打开的为numpy.ndarray类型
img = Image.open("F:\pytorch\pytorch01_hello\dataset\train\ants_image\5650366_e22b7e1065.jpg")
# 调用transforms中的ToTensor()函数，创建我们自己的工具，我们的工具这里叫做img_trans_tensor
img_trans_tensor = transforms.ToTensor()
# 使用我们的工具将PIL类型图像转为tensor
img_tensor = img_trans_tensor(img)
print(img_tensor)


# SummaryWriter中add_image的使用,运行这个py文件后，在Terminal中输入命令tensorboard --logdir=code/logs --port=6007查看运行效果
writer = SummaryWriter("logs")
# 参数一：自定义的标签，参数二：要加载的图像
writer.add_image("ToTensor", img_tensor)


# transforms中使用Normalize()进行数据归一化,计算公式为output[channel] = (input[channel] - mean[channel]) / std[channel]
# input[channel]：输入，mean[channel]：均值，std[channel]：标准差
print(img_tensor[0][0][0])
# Normalize()需要两个参数，均值和标准差
# output = (0.3804-0.5)/0.2 = -0.2392
trans_noram = transforms.Normalize(0.5, 0.2)
img_noram = trans_noram(img_tensor)
print(img_noram[0][0][0])
# 在Terminal中输入命令tensorboard --logdir=code/logs --port=6007查看运行效果
writer.add_image("Normalize", img_noram, 2)

writer.close()