Image PyTorch中的转换用于什么？

我是Pytorch的新手，不是CNN的专家。 我已经用他们提供的教程成功地完成了分类器，但是我真的不明白在加载数据时我在做什么

他们为训练做了一些数据扩充和标准化，但当我试图修改参数时，代码不起作用

# Data augmentation and normalization for training
# Just normalization for validation
data_transforms = {
    'train': transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
    'val': transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
}

我正在扩展我的培训数据集吗？我看不到数据的增加

为什么如果我修改transforms.RandomResizedCrop（224）的值，数据加载就会停止工作

我是否也需要转换测试数据集

---

我对他们所做的这种数据转换感到有点困惑。

转换。只需编写提供给它的所有转换即可。因此，
transforms.Compose
中的所有转换都将逐个应用于输入

列车变换
transforms.RandomResizedCrop（224）
：这将从输入图像中随机提取大小为
（224224，224）
的补丁。因此，它可能会从左上角、右下角或两者之间的任何位置选择此路径。所以，在这一部分中，您正在进行数据扩充。此外，更改此值对模型中完全连接的层也不起作用，所以不建议更改此值
transforms.RandomHorizontalFlip（）
：一旦我们有了大小为
（224224）
的图像，我们就可以选择翻转它。这是数据扩充的另一部分
transforms.ToTensor（）
：这只是将输入图像转换为PyTorch张量
transforms.Normalize（[0.485,0.456,0.406]，[0.229,0.224,0.225]）
：这只是输入数据的缩放，这些值（平均值和标准值）必须为您的数据集预先计算。也不建议更改这些值
验证转换
变换。调整大小（256）
：首先将输入图像的大小调整为
（256，256）
transforms.CentreCrop（224）
：裁剪形状图像的中心部分
（224224，224）
其余的和火车一样

附言：您可以在
中阅读有关这些转换的更多信息。关于数据增强的含糊不清之处，我建议您参考以下答案：


但简言之，假设您只有随机水平翻转变换，当您遍历图像数据集时，有些返回为原始图像，有些返回为翻转图像（翻转图像的原始图像不会返回）。换句话说，一次迭代中返回的图像数与数据集的原始大小相同，并且不会增加。
您不需要输入所得到的错误。我怀疑，如果您更改
RandomResizedCrop
的结果图像的大小，在展平卷积部分和完全连接部分之间的特征时，您的模型将崩溃。请您详细说明为什么我们不将大小调整为224224，而是调整为256，然后进行中心裁剪？我不太清楚为什么要这样做例子。这可能是由于数据的特殊性造成的。从网络的角度来看，它期望输入的大小
（224224）
，而不管输入如何转换。因此，在一次迭代（或一批）中，组合中的所有转换肯定应用于每个样本？或者它是否像在一次迭代中应用的任何一个（或少数）转换一样？compose中的所有转换都应用于所有输入