### `torchvision.transforms.Compose` 的用法与示例 在 PyTorch 中，`torchvision.transforms.Compose` 是一个用于组合多个图像变换操作的类。它接收一个由变换函数组成的列表，并按顺序依次应用这些变换。该类广泛应用于数据预处理阶段，特别是在加载图像数据集时对图像进行标准化、缩放、裁剪等操作 [^1]。 #### 基本用法 `Compose` 接收一个包含多个 `torchvision.transforms` 模块中定义的变换类的列表。每个变换类可以是如 `ToTensor()`、`Normalize()`、`Resize()` 等。这些变换将按照它们在列表中的顺序依次作用于输入图像 [^1]。 ```python import torchvision.transforms as transforms transform = transforms.Compose([ transforms.ToTensor(), # 将 PIL 图像或 numpy 数组转换为张量 transforms.Normalize((0.5,), (0.5,)) # 对张量进行标准化 ]) ``` #### 示例：使用 `Compose` 预处理 MNIST 数据集 以下是一个完整的示例，展示如何在加载 MNIST 数据集时使用 `Compose` 来组合 `ToTensor` 和 `Normalize` 变换： ```python import torchvision # 加载 MNIST 数据集并应用变换 MNIST_dataset = torchvision.datasets.MNIST( root="./data", train=True, download=False, transform=transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0,), (1,)) ]) ) # 获取第一个样本并查看变换后的结果 sample_image, label = MNIST_dataset[0] print(sample_image.shape) # 输出: torch.Size([1, 28, 28]) ``` 在这个例子中，每张图像都会先被转换为张量，然后进行标准化处理 。 #### 与 `Resize` 结合使用的示例 除了基本的张量转换和归一化外，还可以结合其他变换，例如调整图像尺寸。`Resize` 可以接受一个目标尺寸作为参数，并将其应用于图像或张量 [^4]。 ```python transform_with_resize = transforms.Compose([ transforms.Resize((512, 512)), # 调整图像大小 transforms.ToTensor() ]) # 假设 PIL_image 是一个 PIL 图像对象 resized_image = transform_with_resize(PIL_image) print(resized_image.shape) # 输出: torch.Size([C, 512, 512])，其中 C 是通道数 ``` #### 注意事项 - 所有传入 `Compose` 的变换函数必须接受张量或 PIL 图像作为输入，并返回相同类型的数据。 - 变换的顺序非常重要，例如应先调用 `ToTensor()` 再调用 `Normalize()`，因为后者要求输入为张量 。 ---