transforms 数据变换与数据增强

变换是什么

图片刚读进来时是 PIL 图像或 NumPy 数组：像素值 0-255，尺寸五花八门。模型只认张量，还要求尺寸统一、数值范围合适。transforms 就是这段「洗菜切菜」的流水线，它来自 torchvision。

最基础的组合长这样：

from torchvision import transforms

transform = transforms.Compose([
    transforms.Resize((128, 128)),                # 统一尺寸
    transforms.ToTensor(),                        # 转张量，像素归一到 [0, 1]
    transforms.Normalize(mean=[0.5], std=[0.5]),  # 标准化
])

Compose 把多个变换包成一个整体，数据按顺序依次穿过。顺序有讲究：Resize 吃的是 PIL 图像，Normalize 吃的是张量，所以 ToTensor 必须夹在两者之间。顺序错了直接报类型错，我第一次写就把 Normalize 放到了 Resize 前面。

三个必学基础变换

ToTensor：把 PIL 图像转成张量，形状从 H×W×C 变成 C×H×W（通道放最前），像素从 [0, 255] 缩到 [0, 1]。它不做别的，但「转张量」这一步没它不行。

Resize：把图像缩放到指定大小。网络第一层的输入维度是定死的，同一批图像必须尺寸一致，这是它能进 batch 的前提。传整数表示短边缩到该长度、长边等比缩放；传元组表示直接定死宽高。

Normalize：按通道做标准化，公式是 (x - mean) / std。好处是把数据拉到零均值附近，模型收敛更稳。mean 和 std 怎么选？两种情况：

1. 用 ImageNet 预训练模型：老老实实用官方值 mean=[0.485, 0.456, 0.406]、std=[0.229, 0.224, 0.225]。这是训练 ImageNet 时用的统计值，乱改会掉精度。
2. 自己从零训练：可以用 [0.5, 0.5, 0.5] 这种粗略值（把数据压到 [-1, 1]），或者先算数据集的真实统计值。单通道灰度图传单值就行，如 [0.5]。

数据增强：免费的新数据

训练集只有 5 万张图，能不能「变出」更多？可以。每张图随机翻转一下、裁一裁、调调亮度，模型看到的就是新样本。这叫数据增强（Data Augmentation）。

它的价值在于逼模型学「本质」：一只猫，翻转了还是猫，裁掉一半也还是猫。模型见得多了，就不会死记某张图的固定细节，泛化能力自然上去。所以增强是防过拟合的廉价神器。

常用随机操作：

# MNIST 是 28×28 灰度图（单通道），别套 ImageNet 的 224 + RGB 均值
train_transform = transforms.Compose([
    transforms.RandomAffine(degrees=15, translate=(0.1, 0.1)),  # 小角度旋转 + 平移
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.1307], std=[0.3081]),          # MNIST 实测统计值
])

# 验证集：不做随机增强，只做 ToTensor + 归一化
valid_transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.1307], std=[0.3081]),
])

裁剪家族有三个兄弟，别搞混：

• CenterCrop(224)：固定裁中间，位置永远不变，验证集常用。
• RandomCrop(224)：随机挑位置裁，训练集可用。
• RandomResizedCrop(224)：先随机裁剪（比例也随机）再缩放，增强力度最大，训练标配。注意尺寸要跟输入匹配——MNIST 这种 28×28 小图，裁到 224 没意义，用 RandomCrop(28, padding=4) 或 RandomAffine 更合适。

增强只在训练集用。验证集和测试集要老老实实，用 Resize + CenterCrop + ToTensor + Normalize 这套固定流程，别加随机。总不能在考场上给学生「随机改题」。

训练和验证各一套

上一章讲过，Dataset 的 __getitem__ 负责出样本。变换就挂在这里：数据集读图后、返回前，把 transform 过一遍。所以训练集和验证集要建两个 Dataset，各自带自己的 transform：

from torchvision import datasets

train_dataset = datasets.MNIST(
    root="./data", train=True,
    transform=train_transform, download=True,
)
valid_dataset = datasets.MNIST(
    root="./data", train=False,
    transform=valid_transform, download=True,
)

同一个数据集类，换一个 transform 参数，就得到两个行为不同的数据集。这是 PyTorch 数据管线的标准套路：数据不变，变换分离。

自定义变换

内置变换不够用时，自己写一个类，实现 __call__ 即可：

class ScaleByTwo:
    def __call__(self, x):
        return x * 2

transform = transforms.Compose([ScaleByTwo(), transforms.ToTensor()])

写成类而不是函数，是为了把参数保存在实例里，复用起来干净。还有个场景几乎必须自定义：变换要同时改标签。比如图像翻转了，关键点坐标也得跟着翻，这种「连图带标签一起变」的活，内置变换干不了。

其他增强手段还有随机仿射变换 RandomAffine、高斯模糊 GaussianBlur，甚至自动搜索增强策略的 AutoAugment。入门阶段，翻转、旋转、颜色、裁剪这四样就足够用。

小结

• Compose 按顺序串起变换，ToTensor 的位置别放错。
• Resize 统一尺寸、ToTensor 转张量、Normalize 标准化，是图像入模的基本盘。
• 增强只加在训练集：翻转、旋转、颜色扰动、随机裁剪。
• 训练、验证各建一套 transform，数据不变、变换分离。
• 特殊需求写自定义变换，实现 __call__ 就够。

到这里，数据管线闭环了：Dataset 取数据，transforms 加工，DataLoader 喂给模型。下一章进入训练核心——损失函数。