### 使用 PyTorch 打开和加载图像文件 为了使用 PyTorch 加载并处理图像，通常会借助 `torchvision` 库中的工具。下面展示了如何利用这些库来完成此操作。 #### 导入必要的模块 首先需要导入一些基本的包用于图像的操作： ```python from torchvision import transforms from PIL import Image import torch ``` #### 定义预处理变换 可以定义一系列变换应用于输入图片上，比如调整尺寸、转为张量等： ```python transform = transforms.Compose([ transforms.Resize((256, 256)), # 调整图像大小到指定维度 transforms.ToTensor(), # 将PIL.Image或numpy.ndarray转换为tensor，并缩放到[0,1]区间 ]) ``` #### 加载单个图像文件 通过给定路径可以直接读取一张具体的图片，并应用之前设置好的转换规则： ```python image_path = 'path_to_your_image/002.jpg' # 替换成实际存在的图片路径 img_pil = Image.open(image_path).convert('RGB') # 确保图像是三通道彩色模式 img_tensor = transform(img_pil) # 对图像执行预定的转换流程 print(f"Image tensor shape: {img_tensor.size()}") # 输出张量形状信息 ``` 上述代码片段实现了从本地磁盘读取JPEG格式的照片，并将其转化为适合神经网络训练使用的浮点数类型的四维张量（batch size × channels × height × width），同时打印出了该张量的具体形态[^1]。 对于更复杂的情况，如果想要构建一个完整的数据集迭代器，则可以通过继承 `torch.utils.data.Dataset` 类来自定义自己的数据源。这里给出一段简化版的例子展示怎样快速建立这样一个自定义的数据集对象[^2]: ```python class CustomDataset(torch.utils.data.Dataset): def __init__(self, root_dir, label_dir, transform=None): self.root_dir = root_dir self.label_dir = label_dir self.transform = transform # 假设目录下有多个类别子文件夹，每个里面存放对应类别的图片 all_labels = os.listdir(os.path.join(self.root_dir, self.label_dir)) self.image_paths = [] for lbl in all_labels: path = os.path.join(self.root_dir, self.label_dir, lbl) images_in_class = glob.glob(path + '/*.jpg') self.image_paths.extend(images_in_class) def __len__(self): return len(self.image_paths) def __getitem__(self, idx): image_filepath = self.image_paths[idx] img_label = ... # 获取当前图片对应的标签逻辑需自行补充实现 img_pil = Image.open(image_filepath).convert('RGB') if self.transform is not None: img_tensor = self.transform(img_pil) sample = {'image': img_tensor, 'label': img_label} return sample ``` 这段代码提供了一个框架性的指导，具体细节如获取每张图片关联的标签部分还需要根据实际情况进一步完善。