### 关于 `torchvision.transforms` 中的 Scale 方法 在较新的 PyTorch 版本中，`Scale` 已被弃用并替换为更灵活的方法。以下是关于其替代方案及其使用的说明： #### 替代方法 推荐使用 `Resize` 来代替已废弃的 `Scale` 方法。`Resize` 是一种用于调整图像大小的转换操作，它允许指定目标尺寸或缩放比例。 ```python from torchvision import transforms # 使用 Resize 调整图像到固定大小 (height=256, width=256) resize_transform = transforms.Resize((256, 256)) # 或者按比例因子进行缩放 scale_factor_transform = transforms.Resize(size=int(original_size * scale_factor)) ``` 上述代码展示了如何通过 `transforms.Resize` 将输入图像调整为目标分辨率 `(256, 256)`[^1]。 #### 动态缩放 如果需要动态地根据原始图像大小进行缩放，则可以通过计算比例因子实现自定义逻辑。例如： ```python def dynamic_resize(image, min_dimension=256): height, width = image.size[::-1] if height < width: new_height = min_dimension new_width = int(width * (min_dimension / height)) else: new_width = min_dimension new_height = int(height * (min_dimension / width)) return transforms.Resize((new_height, new_width))(image) custom_transform = transforms.Lambda(lambda img: dynamic_resize(img)) ``` 此函数会确保图片最短边达到给定长度的同时保持宽高比不变[^4]。 #### 高级功能扩展 对于更加复杂的变换需求，还可以组合多种基本变换或者利用自定义 Lambda 函数完成特定任务。比如先随机裁剪再调整尺度: ```python transform_pipeline = transforms.Compose([ transforms.RandomResizedCrop(224), transforms.ToTensor() ]) ``` 这里创建了一个流水线，该流水线首先执行随机大小裁切至 224×224 像素的操作，接着将 PIL 图像转成张量形式以便后续处理[^2]。 --- ### 总结 虽然旧版中的 `Scale` 提供了一种简单的方式来改变图像尺寸，但在现代实践中建议采用更为精确可控的新方式——即 `Resize` 及其他高级特性来满足不同场景下的应用需求。