Pytorch如何把Tensor转化成图像可视化
作者:乱觉先森
这篇文章主要介绍了Pytorch如何把Tensor转化成图像可视化问题,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
Pytorch把Tensor转化成图像可视化
在调试程序的时候经常想把tensor可视化成来看看,可以这样操作:
from torchvision import transforms unloader = transforms.ToPILImage() image = original_tensor.cpu().clone() # clone the tensor image = image.squeeze(0) # remove the fake batch dimension image = unloader(image) image.save('example.jpg')
pytorch标准化的Tensor转图像问题
常常在工作之中遇到将dataloader中出来的tensor成image,numpy格式的数据,然后可以可视化出来
但是这种tensor往往经过了channel变换(RGB2BGR),以及归一化(减均值除方差),
然后维度的顺序也发生变化(HWC变成CHW)。为了可视化这种变化比较多的数据,
在tensor转numpy之前需要对tensor做一些处理
如下是一个简单的函数,可以可视化tensor,下次直接拿来用就行
def tensor2im(input_image, imtype=np.uint8): """" Parameters: input_image (tensor) -- 输入的tensor,维度为CHW,注意这里没有batch size的维度 imtype (type) -- 转换后的numpy的数据类型 """ mean = [0.485, 0.456, 0.406] # dataLoader中设置的mean参数,需要从dataloader中拷贝过来 std = [0.229, 0.224, 0.225] # dataLoader中设置的std参数,需要从dataloader中拷贝过来 if not isinstance(input_image, np.ndarray): if isinstance(input_image, torch.Tensor): # 如果传入的图片类型为torch.Tensor,则读取其数据进行下面的处理 image_tensor = input_image.data else: return input_image image_numpy = image_tensor.cpu().float().numpy() # convert it into a numpy array if image_numpy.shape[0] == 1: # grayscale to RGB image_numpy = np.tile(image_numpy, (3, 1, 1)) for i in range(len(mean)): # 反标准化,乘以方差,加上均值 image_numpy[i] = image_numpy[i] * std[i] + mean[i] image_numpy = image_numpy * 255 #反ToTensor(),从[0,1]转为[0,255] image_numpy = np.transpose(image_numpy, (1, 2, 0)) # 从(channels, height, width)变为(height, width, channels) else: # 如果传入的是numpy数组,则不做处理 image_numpy = input_image return image_numpy.astype(imtype)
总结
以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。