随机裁剪并调整大小

class torchvision.transforms.RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(0.75, 1.3333333333333333), interpolation=InterpolationMode.BILINEAR, antialias: Optional[bool] = True)

随机裁剪图像的一部分并将其调整为给定大小。

如果图像为 torch 张量，则它应具有 […, H, W] 形状，其中 … 表示任意数量的前导维度

原始图像会进行裁剪：裁剪具有随机面积（H * W）和随机纵横比。最后将此裁剪调整为给定大小。这通常用于训练 Inception 网络。

参数：

• size (int 或 序列) –

  裁剪的预期输出大小，对于每个边。如果 size 是一个 int 而不是序列，例如 (h, w)，则会创建一个正方形输出大小 (size, size)。如果提供长度为 1 的序列，它将被解释为 (size[0], size[0])。

  注意

  在 torchscript 模式下，size 作为单个 int 不受支持，请使用长度为 1 的序列： [size, ]。

• scale (python:float 元组) – 指定裁剪随机面积的上下界，在调整大小之前。比例是根据原始图像的面积定义的。

• ratio (python:float 元组) – 裁剪随机纵横比的上下界，在调整大小之前。

• interpolation (InterpolationMode) – 由 torchvision.transforms.InterpolationMode 定义的所需插值枚举。默认值为 InterpolationMode.BILINEAR。如果输入是张量，则仅支持 InterpolationMode.NEAREST、InterpolationMode.NEAREST_EXACT、InterpolationMode.BILINEAR 和 InterpolationMode.BICUBIC。相应的 Pillow 整数常量（例如 PIL.Image.BILINEAR）也被接受。

• antialias (bool, 可选) –

  是否应用抗锯齿。它只影响使用双线性或双三次模式的张量，否则会被忽略：在 PIL 图像上，抗锯齿始终在双线性或双三次模式下应用；在其他模式下（对于 PIL 图像和张量），抗锯齿没有意义，并且此参数将被忽略。可能的值是

  • True（默认）：将为双线性或双三次模式应用抗锯齿。其他模式不受影响。这可能就是你想使用的。

  • False：将不会为任何模式的张量应用抗锯齿。PIL 图像在双线性或双三次模式下仍然会进行抗锯齿，因为 PIL 不支持不进行抗锯齿。

  • None：对于张量等效于 False，对于 PIL 图像等效于 True。此值存在是为了向后兼容，除非你确实知道自己在做什么，否则你可能不想使用它。

  默认值已从 v0.17 中的 None 更改为 True，以便 PIL 和张量后端保持一致。

使用 RandomResizedCrop 的示例

开始使用 transforms v2

开始使用 transforms v2

变换的说明

变换的说明

如何使用 CutMix 和 MixUp

如何使用 CutMix 和 MixUp

如何编写你自己的 v2 变换

如何编写你自己的 v2 变换

forward(img)

参数：

img (PIL Image 或 Tensor) – 要裁剪和调整大小的图像。

返回：

随机裁剪和调整大小的图像。

返回类型：

PIL 图像或张量

static get_params(img: Tensor, scale: List[float], ratio: List[float]) → Tuple[int, int, int, int]

获取随机大小裁剪的 crop 参数。

参数：

• img (PIL Image or Tensor) – 输入图像。

• scale (list) – 原始大小裁剪的比例范围。

• ratio (list) – 原始纵横比裁剪的纵横比范围。

返回：

将传递给 crop 的参数 (i, j, h, w) 用于随机大小的裁剪。

返回类型：

元组