### transforms.ToTensor() 和 unsqueeze() 的功能与用法 #### 1. `transforms.ToTensor()` 功能与用法 `transforms.ToTensor()` 是 PyTorch 中用于将数据从 PIL.Image 或 numpy.ndarray 转换为 PyTorch 的 Tensor 类型的工具。具体来说，它会将输入的图像数据从 `[0, 255]` 的范围归一化到 `[0.0, 1.0]` 的浮点数范围，并调整维度顺序从 `(H x W x C)` 转换为 `(C x H x W)`[^2]。 以下是一个使用 `transforms.ToTensor()` 的示例代码： ```python from torchvision import transforms from PIL import Image # 创建一个转换器 transform = transforms.ToTensor() # 打开图像 image = Image.open('example.jpg') # 转换为 Tensor tensor_image = transform(image) print(tensor_image.shape) # 输出：torch.Size([C, H, W]) ``` #### 2. `unsqueeze()` 功能与用法 `unsqueeze()` 是 PyTorch 中的一个方法，用于在指定位置插入一个新的维度（轴）。这对于需要匹配模型输入形状的操作非常有用。例如，许多深度学习模型期望输入的形状为 `(N x C x H x W)`，其中 `N` 表示批量大小。如果只有一个样本，则可以通过 `unsqueeze(0)` 在第 0 维度上添加批量维度。 以下是一个使用 `unsqueeze()` 的示例代码： ```python import torch # 假设我们有一个形状为 (C x H x W) 的 Tensor tensor = torch.randn(3, 224, 224) # 添加批量维度 batched_tensor = tensor.unsqueeze(0) print(batched_tensor.shape) # 输出：torch.Size([1, 3, 224, 224]) ``` #### 3. 结合使用 `transforms.ToTensor()` 和 `unsqueeze()` 在实际应用中，通常会先使用 `transforms.ToTensor()` 将图像转换为 Tensor，然后再使用 `unsqueeze(0)` 添加批量维度以适应模型的输入要求。 以下是一个完整的示例代码： ```python from torchvision import transforms from PIL import Image import torch # 创建一个包含 ToTensor 的转换器 transform = transforms.Compose([ transforms.ToTensor() ]) # 打开图像并转换为 Tensor image = Image.open('example.jpg') tensor_image = transform(image) # 添加批量维度 batched_tensor = tensor_image.unsqueeze(0) print(batched_tensor.shape) # 输出：torch.Size([1, C, H, W]) ``` ### 注意事项 - `transforms.ToTensor()` 不仅改变数据类型，还会对数值范围进行归一化处理。 - `unsqueeze()` 方法可以灵活地在任意维度上插入新的轴，但需注意目标维度是否符合模型输入的要求。