Pytorch 以变换参数作为学习目标

比方说，我正在对torchvision图像应用随机模糊，并想训练网络猜测模糊能力。使用标准的

转换

看起来很自然，但在数据集类实现中，数据和目标applyes的转换是独立的：

    if self.transform is not None:
        img = self.transform(img)

    if self.target_transform is not None:
        target = self.target_transform(target)

所以我看不到传递模糊值以插入目标的方法

---

嗯，我可以重写dataset类，但可能有更自然的方法将参数从data

transform

传递到

target\u transform

？

以下是我自己的方法，尽管我希望更优雅：

def myBlur( t):
    sigm = ( random.uniform(0.1,12.0) )
    t = torchvision.transforms.functional.gaussian_blur( t, 15, sigm )
    return ( t, sigm )

class MyMNIST( torchvision.datasets.MNIST ):
                                   
    @property
    def processed_folder(self) -> str:
        # we want files from 'MNIST' folder, not from __classname__ == 'MyMNIST'
        return os.path.join(self.root, 'MNIST', 'processed')

    def __getitem__(self, index: int) -> Tuple[Any, Any]:
        img, target = self.data[index], int(self.targets[index])
        img = Image.fromarray(img.numpy(), mode='L')

        # call all transformations here explicitly
        img = torchvision.transforms.ToTensor()(img)
        img = torchvision.transforms.Resize( (96,96) )(img)
        img, dd = myBlur( img )
        img = torchvision.transforms.Normalize((0.1307,), (0.3081,))(img)

        return img, dd