一、transforms 介绍

transforms在计算机视觉工具包torchvision下：
torchvision.transforms : 常用的图像预处理方法
torchvision.datasets : 常用数据集的dataset实现，MNIST，CIFAR-10，ImageNet等
torchvision.model : 常用的模型预训练，AlexNet，VGG， ResNet，GoogLeNet等

torchvision.transforms : 常用的图像预处理方法，提高泛化能力
• 数据中心化
• 数据标准化
• 缩放
• 裁剪
• 旋转
• 翻转
• 填充
• 噪声添加
• 灰度变换
• 线性变换
• 仿射变换
• 亮度、饱和度及对比度变换

相当于真正高考前做的三年高考五年模拟，五年高考是原始数据，三年模拟是在原题基础上改的模拟题，真正高考碰见了分就高了

二、 transforms 运行机制

采用transforms.Compose()，将一系列的transforms有序组合，实现时按照这些方法依次对图像操作。

train_transform = transforms.Compose([
    transforms.Resize((32, 32)),  # 缩放
    transforms.RandomCrop(32, padding=4),  # 随机裁剪
    transforms.ToTensor(),  # 图片转张量，同时归一化0-255 ---》 0-1
    transforms.Normalize(norm_mean, norm_std),  # 标准化均值为0标准差为1
])

构建Dataset实例，DataLoder实例。

# 构建MyDataset实例
train_data = RMBDataset(data_dir=train_dir, transform=train_transform)
# 构建DataLoder
train_loader = DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)

在训练时每次调用batch_size个数据进行训练，在for循环前设置断点，在Dataset，DataLoder中查看transforms什么时候被调用、被执行。

for i, data in enumerate(train_loader):

debug进入上面for语句可以看到，进入到dataloader.py中，

运行到345行获取index告诉读哪些数据，346行根据索引获取数据，进入346行，到fetch.py文件中，可以看到此处调用dataset

进入dataset,到了my_dataset.py文件下的 __getitem__函数，根据索引获取图片的路径与标签，通过Image.open打开图片，在33，34行调用transform进行图片预处理

步入到34行，进入到transforms.py的__call__函数，通过for循环一次从compose中调用transforms方法，处理完后返回照片


此处就处理完了一个样本，然后循环获取一个batch_size大小的数据，collate_fn函数整理为batch_data返回

这就读取了一个batch_size的数据