学习基础知识 || 快速入门 || 张量 || 数据集与数据加载器 || 转换 || 构建模型 || 自动微分 || 优化 || 保存与加载模型

转换

创建时间：2025 年 4 月 1 日 | 最后更新时间：2025 年 4 月 1 日 | 最后验证：未验证

数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用转换来对数据进行一些操作，使其适合训练。

所有 TorchVision 数据集都有两个参数 - transform 用于修改特征和 target_transform 用于修改标签 -，它们接受包含转换逻辑的可调用对象。TorchVision 的 transforms 模块提供了一些常用的转换。

FashionMNIST 的特征以 PIL Image 格式存在，标签是整数。为了训练，我们需要将特征转换为归一化的张量，将标签转换为 one-hot 编码的张量。为了进行这些转换，我们使用 ToTensor 和 Lambda 。

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

ds = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)

ToTensor() 方法

ToTensor 函数将 PIL 图像或 NumPy 数组 ndarray 转换为 FloatTensor ，并按比例缩放图像的像素强度值到[0., 1.]范围内。

Lambda 变换

Lambda 转换应用任何用户定义的 lambda 函数。在此，我们定义一个函数将整数转换为 one-hot 编码的张量。首先创建一个大小为 10 的零张量（我们的数据集中标签的数量），然后调用 scatter_，将 value=1 分配给由标签 y 指定的索引。

target_transform = Lambda(lambda y: torch.zeros(
    10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))

---

进一步阅读

• torchvision.transforms API