### PyTorch 4.1 版本中的图像处理基本操作 PyTorch 是一个广泛使用的深度学习框架，其 `torchvision` 库提供了丰富的图像处理功能。尽管目前最新的 PyTorch 版本已经远超 4.1，但回顾早期版本的功能仍然具有一定的教育意义。 #### 使用 torchvision.transforms 进行图像处理 在 PyTorch 中，`torchvision.transforms` 提供了一系列用于图像预处理的方法。这些方法可以帮助开发者轻松实现常见的图像变换操作，例如调整大小、裁剪、归一化以及将图像转换为张量等[^2]。 以下是几个常用的图像处理函数及其说明： - **Resize**: 将输入图片调整到指定尺寸。 - **CenterCrop**: 对图片进行中心裁剪。 - **ToTensor**: 将 PIL 图像或 NumPy 数组转换为 PyTorch 的 Tensor 类型，并将其范围从 `[0, 255]` 缩放到 `[0, 1]`。 - **Normalize**: 对张量进行标准化处理，通常配合均值和标准差参数一起使用。 下面是一个完整的代码示例，展示如何利用 `torchvision.transforms` 实现一系列图像处理操作： ```python import torch from PIL import Image from torchvision import transforms def basic_image_processing(): # 加载一张本地测试图片 image_path = "example.jpg" img = Image.open(image_path) # 创建组合的图像变换流程 preprocess = transforms.Compose([ transforms.Resize((256, 256)), # 调整分辨率至 (256x256) transforms.CenterCrop(224), # 执行中心裁剪 transforms.ToTensor(), # 转换为张量 transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 正则化 ]) # 应用预处理并查看结果 input_tensor = preprocess(img) print(f"Processed tensor shape: {input_tensor.shape}") basic_image_processing() ``` 此代码片段展示了如何通过定义一组连续的变换来完成复杂的图像前处理工作流[^3]。 #### GPU 支持下的高效计算 对于大规模的数据集或者高精度需求的应用场景来说，充分利用硬件加速尤为重要。PyTorch 提供了简单易用的方式让程序运行于 CUDA 设备之上。一旦确认存在可用的 NVIDIA 显卡，则可通过如下方式迁移数据结构至上一代设备以提升性能表现: ```python device = 'cuda' if torch.cuda.is_available() else 'cpu' tensor_on_gpu = input_tensor.to(device) print(tensor_on_gpu.device) # 输出 cuda 或 cpu 字符串表示实际位置 ``` 值得注意的是，在执行任何涉及数值运算之前都需要先确保所有参与对象都位于同一物理存储介质之中——要么全都在 CPU 上面，亦或是统一迁移到特定编号的 GPU 当中去[^4]。 --- ###