Python 如何围绕Pytork图像张量旋转'；s中心是否支持自动签名？

我想随机旋转一个图像张量（B，C，H，W）围绕它的中心（我想是2d旋转？）。我希望避免使用NumPy和Kornia，因此我基本上只需要从torch模块导入。我也没有使用torchvision.transforms，因为我需要它与自动加载兼容。本质上，我正在尝试创建一个与autograd兼容的版本

torchvision.transforms.RandomRotation（）

，用于像DeepDream这样的可视化技术（因此我需要尽可能避免伪影）

我试图完成的一些示例输出：

---

因此，电网发生器和采样器是空间变压器的子模块（JADERBERG、Max等）。这些子模块是不可训练的，它们允许您应用可学习和不可学习的空间变换。 在这里，我使用这两个子模块，使用PyTorch的函数

F.affine_grid

和

F.affine_sample

（这些函数分别是生成器和采样器的实现）将图像旋转

theta

：

在上面的例子中，假设我们把我们的图像，

im

，想象成一只穿着裙子跳舞的猫：

rotated_im

将是一只穿着裙子的逆时针旋转90度的舞猫：

这就是如果我们用θ调用

rot\u img

，得到的结果

---

最好的部分是，它是可微的w.r.t的输入和有自动标签的支持！万岁

有一个pytorch函数：

x=torch.tensor（[[0,1]，
[2, 3]])
x=火炬旋转90（x，1，[0，1]）

---

以下是文档：

我建议您看看空间变压器，特别是电网发电机和采样器模块。有关实现的详细信息，请参阅。@GilPinsky，这似乎与创建可训练层有关。我将只优化单个图像/张量，并使用旋转来帮助优化。我想指出的是，kornia完全依赖于Pytork，因此不会有任何额外的依赖性，但这只允许您旋转90度、180度或270度……谢谢，您的代码运行得非常好！但是，我应该如何处理跨批次维度堆叠的多个图像？我应该使用相同的旋转矩阵单独执行每项操作，还是可以稍微修改它，使其在没有for语句的情况下工作？我很高兴：），我刚刚更新了代码，以便它也可以跨批处理维度工作。您只需在

rot\u img

中使用

.repeat（x.shape[0]，1,1）

来重复旋转矩阵，使其具有与x相同的批处理维度。先生，请您在回答中解释旋转一个灰度图像的方法好吗？@ToughMind这应该也适用于单个灰度图像。只需确保图像（im）具有适当的尺寸：1 x 1 x H x W，其中H和W分别是高度和宽度。

import torch
import math
import random
import torchvision.transforms as transforms
from PIL import Image


# Load image
def preprocess_simple(image_name, image_size):
    Loader = transforms.Compose([transforms.Resize(image_size), transforms.ToTensor()])
    image = Image.open(image_name).convert('RGB')
    return Loader(image).unsqueeze(0)
    
# Save image   
def deprocess_simple(output_tensor, output_name):
    output_tensor.clamp_(0, 1)
    Image2PIL = transforms.ToPILImage()
    image = Image2PIL(output_tensor.squeeze(0))
    image.save(output_name)


# Somehow rotate tensor around it's center
def rotate_tensor(tensor, radians):
    ...
    return rotated_tensor

# Get a random angle within a specified range 
r_degrees = 5
angle_range = list(range(-r_degrees, r_degrees))
n = random.randint(angle_range[0], angle_range[len(angle_range)-1])

# Convert angle from degrees to radians
ang_rad = angle * math.pi / 180


# test_tensor = preprocess_simple('path/to/file', (512,512))
test_tensor = torch.randn(1,3,512,512)


# Rotate input tensor somehow
output_tensor = rotate_tensor(test_tensor, ang_rad)


# Optionally use this to check rotated image
# deprocess_simple(output_tensor, 'rotated_image.jpg')

import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt

def get_rot_mat(theta):
    theta = torch.tensor(theta)
    return torch.tensor([[torch.cos(theta), -torch.sin(theta), 0],
                         [torch.sin(theta), torch.cos(theta), 0]])


def rot_img(x, theta, dtype):
    rot_mat = get_rot_mat(theta)[None, ...].type(dtype).repeat(x.shape[0],1,1)
    grid = F.affine_grid(rot_mat, x.size()).type(dtype)
    x = F.grid_sample(x, grid)
    return x


#Test:
dtype =  torch.cuda.FloatTensor if torch.cuda.is_available() else torch.FloatTensor
#im should be a 4D tensor of shape B x C x H x W with type dtype, range [0,255]:
plt.imshow(im.squeeze(0).permute(1,2,0)/255) #To plot it im should be 1 x C x H x W
plt.figure()
#Rotation by np.pi/2 with autograd support:
rotated_im = rot_img(im, np.pi/2, dtype) # Rotate image by 90 degrees.
plt.imshow(rotated_im.squeeze(0).permute(1,2,0)/255)

>> tensor([[1, 3],
           [0, 2]])