Pytorch的transform图像处理模块

从源码、官方文档、例子 开始剖析
一、数据增强(data augmentation)的概念（5年高考三年模拟）
（1）为什么要数据增强？
数据分为训练集和测试集，对训练集数据增强是为了使训练数据更加接近测试集，打个比方，五年高考三年模拟习题册，五年高考样卷就是训练集，三年模拟就是数据增强，只有多模拟，多见识其他的习题，才能在高考考场上(测试集）能够得到不错的成绩（增强模型泛化能力）。

二、图像数据的格式：
（1）PIL的Image格式
（2）ndarray格式
（3）张量tensor格式

三、数据增强的方法
在Pytorch中提供了基本的数据增强方法，封装在torchvision.transform模块中

1.归一化标准化，均值，方差
(1）Nomalize用的是pytorch中F模块的nomalize

（2）标准化的作用：调整的数据的尺度、分布，使得数据分布在均值为0，方差为1的标准归一化，能够加速模型的收敛速度。

实例：

2.裁剪crop
CenterCrop
RandomCrop
FiveCrop
TenCrop

3.翻转、旋转
RandomHorizantalFlip
RandomVerticalFlip
RandomRotation
4.填充
5.色彩操作
6.空间几何变换
仿射变换（二维线性变换）五种
随机遮挡，（在张量上进行）

三.反操作transform_invert可视化数据

四、transform的选择操作
好处：对数据的操作更加灵活多样

五、自定义项目所需要的transform方法，
（1）如何定义
（2）注意事项

六、数据增强的策略