Python Torchvision.transforms扁平化（）的实现

我有灰度图像，但我需要将其转换为一维向量的数据集 我该怎么做？我在转换中找不到合适的方法：

train\u dataset=torchvision.dataset.ImageFolder（root='./data'，train=True，transform=transforms.ToTensor（））
test_dataset=torchvision.dataset.ImageFolder（root='./data'，train=False，transform=transforms.ToTensor（））
train\u loader=torch.utils.data.DataLoader（数据集=train\u数据集，批量大小=4，随机播放=True）
test\u loader=torch.utils.data.DataLoader（数据集=test\u数据集，批处理大小=4，shuffle=False）

以下是如何使用

Lambda

导入火炬
从torchvision.dataset导入MNIST
将torchvision.transforms导入为T
#无压扁
dataset=MNIST（root='.'，download=True，transform=T.ToTensor（））
打印（数据集[0][0]。形状）
#>>>火炬尺寸（[1,28,28]）
#使用Flatte（使用Lambda，但您可以通过许多其他方式实现）
数据集_flatte=MNIST（root='.'，download=True，transform=T.Compose（[T.ToTensor（），T.Lambda（Lambda x:torch.flatte（x））]））
打印（数据集\u展平[0][0]。形状）
#>>>火炬尺寸（[784]）

以下是如何使用

Lambda

导入火炬
从torchvision.dataset导入MNIST
将torchvision.transforms导入为T
#无压扁
dataset=MNIST（root='.'，download=True，transform=T.ToTensor（））
打印（数据集[0][0]。形状）
#>>>火炬尺寸（[1,28,28]）
#使用Flatte（使用Lambda，但您可以通过许多其他方式实现）
数据集_flatte=MNIST（root='.'，download=True，transform=T.Compose（[T.ToTensor（），T.Lambda（Lambda x:torch.flatte（x））]））
打印（数据集\u展平[0][0]。形状）
#>>>火炬尺寸（[784]）

你是说

展平

？@Berriel是的。我怎么做？这能回答你的问题吗@贝瑞尔，谢谢你，但不是真的。transforms.ToTensor返回张量，但我无法在ImageFolder函数中写入“transform=torch.flatte（transforms.ToTensor（））”和“transform=transforms.LinearTransformation（transforms.ToTensor（），torch.zeros（1784））”可能，它是通过transforms.Compose解决的，但我不知道如何检查我的答案。您使用了

火炬。以错误的方式展平
。你“必须”使用Compose，我在回答中使用了它。你的意思是
flatte
？@Berriel是的。我怎么做？这能回答你的问题吗@贝瑞尔，谢谢你，但不是真的。transforms.ToTensor返回张量，但我无法在ImageFolder函数中写入“transform=torch.flatte（transforms.ToTensor（））”和“transform=transforms.LinearTransformation（transforms.ToTensor（），torch.zeros（1784））”可能，它是通过transforms.Compose解决的，但我不知道如何检查我的答案。您使用了
火炬。以错误的方式展平
。你有“使用”构词，我在答案中使用它。在转换部分中做这个操作是一个好的实践吗？@ opSSe我不会说好的实践，但是我宁愿考虑我的数据处理流水线的这个OP-部分而不是我的模型。因此，我会在那里使用它。在转换部分做这个操作是一个好的实践吗？@ opSSe我不会说好的实践，但是我宁愿考虑我的数据处理流水线的这个OP-部分而不是我的模型。因此，我会在那里使用它。