快捷方式

随机调整大小

class torchvision.transforms.v2.RandomResize(min_size: int, max_size: int, interpolation: Union[InterpolationMode, int] = InterpolationMode.BILINEAR, antialias: Optional[bool] = True)[source]

随机调整输入大小。

此变换可以与 RandomCrop 结合使用,作为数据增强来训练图像分割任务的模型。

输出空间大小从区间 [min_size, max_size] 中随机采样。

size = uniform_sample(min_size, max_size)
output_width = size
output_height = size

如果输入是 torch.TensorTVTensor(例如 ImageVideoBoundingBoxes 等),它可以具有任意数量的领先批次维度。例如,图像可以具有 [..., C, H, W] 形状。边界框可以具有 [..., 4] 形状。

参数:
  • min_size (int) – 用于随机采样的最小输出大小

  • max_size (int) – 用于随机采样的最大输出大小

  • interpolation (InterpolationMode, 可选) – 由 torchvision.transforms.InterpolationMode 定义的所需插值枚举。默认值为 InterpolationMode.BILINEAR。如果输入是 Tensor,则仅支持 InterpolationMode.NEARESTInterpolationMode.NEAREST_EXACTInterpolationMode.BILINEARInterpolationMode.BICUBIC。对应的 Pillow 整数常量(例如 PIL.Image.BILINEAR)也接受。

  • antialias (bool, 可选) –

    是否应用抗锯齿。它仅影响以双线性或双三次模式的 **tensor**,在其他情况下将被忽略:在 PIL 图像上,始终对双线性或双三次模式应用抗锯齿;在其他模式(针对 PIL 图像和 tensor)上,抗锯齿毫无意义,此参数将被忽略。可能的值是

    • True(默认):将对双线性或双三次模式应用抗锯齿。其他模式不受影响。这可能是您想要使用的。

    • False:将不会对任何模式的 tensor 应用抗锯齿。PIL 图像仍将在双线性或双三次模式下应用抗锯齿,因为 PIL 不支持不应用抗锯齿。

    • None:等效于 tensor 的 False 和 PIL 图像的 True。此值存在于遗留原因,除非您确实了解自己在做什么,否则您可能不想使用它。

    默认值已从 v0.17 的 None 更改为 True,以使 PIL 和 Tensor 后端保持一致。

文档

访问 PyTorch 的全面的开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源