pytorch tensor計(jì)算三通道均值方式
tensor計(jì)算三通道均值
今天用pytorch處理圖像時(shí)，涉及到了計(jì)算均值的問題，整理一下解決思路。
第一種思路
tensor轉(zhuǎn)換為numpy再進(jìn)行處理
import torch
import cv2
img = cv2.imread("image path")
tensor_img = torch.from_numpy((img[:, :, ::-1] / 255.0)[None, ...].transpose(0, 3, 1, 2)).cuda()
?
...
?
numpy_img = (tensor_img.detach().cpu().numpy().transpose(2, 3, 1, 0).squeeze() * 255)[:, :, ::-1]
?
ave_color = np.mean(numpy_img , axis=(0, 1))如果圖像里有0值，不想計(jì)入運(yùn)算：
numpy_img[numpy_img == 0] = np.nan ave_color = np.nanmean(numpy_img, axis=(0, 1))
由于tensor和numpy來回轉(zhuǎn)換會(huì)消耗資源、性能。
又查了一番，直接在tensor中計(jì)算（非零均值計(jì)算）
reshape_tensor_img = tensor_img.view(tensor_img.size(0), tensor_img.size(1), -1) ave_color = reshape_tensor_img.mean(2) ? # mean value without 0 non_zero_img = reshape_tensor_img[reshape_tensor_img.nonzero(as_tuple=True)] ave_color = non_zero_img.view(reshape_tensor_img.size(0), reshape_tensor_img.size(1), -1).mean(2)
計(jì)算完均值，想要加法運(yùn)算的時(shí)候也會(huì)碰上一點(diǎn)維度上的麻煩，需要維度轉(zhuǎn)換一下。
reshape_ave_color = ave_color.view(ave_color.size(0), ave_color.size(1), 1, 1) add_img = tensor_img + reshape_ave_color
Pytorch tensor的運(yùn)算
tensor操作
1. 新建
A、torch.Tensor(shape)/torch.FloatTensor(shape)：隨機(jī)初始化一個(gè)維度為shape的張量。
B、torch.randn(shape)：用均值為0，方差為1的高斯分布初始化一個(gè)shape的張量。
C、torch.rand(shape)：在區(qū)間[0,1]上均勻分布，初始化一個(gè)shape的張量。
2、Tensor的變換
A、view / reshape
兩個(gè)用法差不多，都是用來改變一個(gè)張量的數(shù)據(jù)分布。
注：(2,-1)中的-1會(huì)自動(dòng)計(jì)算剩下的維度。
B、squeeze / unsqueeze
第一個(gè)是用來壓縮維度為1的張量，如(6,1,32,32).squeeze()之后就變?yōu)?6,32,32)；第二個(gè)是用來增加一個(gè)維度。具體看實(shí)例如下：
注：squeeze中不帶參數(shù)，是將所有維度為1的地方去掉，帶參數(shù)是去指定維度為1的地方，若指定的維度不為1，則不變。
注：在指定的維度上插入一個(gè)大小為1的新維度。
C、expand / repeat
這兩個(gè)都是進(jìn)行數(shù)據(jù)的擴(kuò)充操作，第一個(gè)是擴(kuò)充到指定的維度大小，第二個(gè)函數(shù)的參數(shù)維度上擴(kuò)充的倍數(shù)。一般結(jié)合上面2.B中的函數(shù)使用。
D、 t / transpose / permute
這三個(gè)函數(shù)用來數(shù)據(jù)維度之間的調(diào)整，第一個(gè)只能用于2D。
E、broadcasting機(jī)制
相當(dāng)于自動(dòng)完成了unsqueeze+expand的操作，但是相比節(jié)省內(nèi)存空間。
通過broadcasting機(jī)制，張量可以直接和標(biāo)量進(jìn)行相加。
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
我們使用Python處理日期/時(shí)間的時(shí)候，經(jīng)常會(huì)遇到各種各樣的問題。本文為大家總結(jié)了兩個(gè)Python比較兩個(gè)日期的方法，需要的可以參考一下2022-07-07
使用__init__.py將文件夾設(shè)置成Python模塊示例詳解
這篇文章主要為大家介紹了使用__init__.py將文件夾設(shè)置成Python模塊示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-09-09
這篇文章主要介紹了詳解Python中文分詞而生的jieba庫,在Python中，最好用的中文分詞庫是jieba。用“結(jié)巴”給一個(gè)中文分詞庫命名，非常生動(dòng)形象，同時(shí)還帶有一種程序員式的幽默感,需要的朋友可以參考下2023-07-07
使用Python和Scribus創(chuàng)建一個(gè)RGB立方體的方法
這篇文章主要介紹了使用Python和Scribus創(chuàng)建一個(gè)RGB立方體的方法，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
Python將list元素轉(zhuǎn)存為CSV文件的實(shí)現(xiàn)
這篇文章主要介紹了Python將list元素轉(zhuǎn)存為CSV文件的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-11-11
詳解Python排序算法的實(shí)現(xiàn)(冒泡,選擇,插入,快速)
這篇文章主要為大家介紹了Python中常見的四種排序算法的實(shí)現(xiàn)：冒泡排序、選擇排序、插入排序和快速排序，文中通過圖片詳細(xì)講解了它們實(shí)現(xiàn)的原理與代碼，需要的可以參考一下2022-04-04
這篇文章主要介紹了python保存字符串到文件的方法,實(shí)例分析了Python文件與字符串操作的相關(guān)技巧,需要的朋友可以參考下2015-07-07
這篇文章主要介紹了Python中np.where()的使用方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-02-02
這篇文章主要介紹了Python 轉(zhuǎn)換RGB顏色值的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10
Python特征降維知識(shí)點(diǎn)總結(jié)
在本篇文章里小編給大家整理了一篇關(guān)于Python特征降維知識(shí)點(diǎn)總結(jié)內(nèi)容，有需要的朋友們可以學(xué)習(xí)參考下。2021-08-08