这篇文章主要介绍“pytorch tensor计算三通道均值方式是什么”，在日常操作中，相信很多人在pytorch tensor计算三通道均值方式是什么问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”pytorch tensor计算三通道均值方式是什么”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
tensor计算三通道均值
今天用pytorch处理图像时，涉及到了计算均值的问题，整理一下解决思路。
第一种思路
tensor转换为numpy再进行处理
import torchimport cv2img = cv2.imread("image path")tensor_img = torch.from_numpy((img[:, :, ::-1] / 255.0)[None, ...].transpose(0, 3, 1, 2)).cuda() ... numpy_img = (tensor_img.detach().cpu().numpy().transpose(2, 3, 1, 0).squeeze() * 255)[:, :, ::-1] ave_color = np.mean(numpy_img , axis=(0, 1))如果图像里有0值，不想计入运算：
numpy_img[numpy_img == 0] = np.nanave_color = np.nanmean(numpy_img, axis=(0, 1))由于tensor和numpy来回转换会消耗资源、性能。
又查了一番，直接在tensor中计算（非零均值计算）
reshape_tensor_img = tensor_img.view(tensor_img.size(0), tensor_img.size(1), -1)ave_color = reshape_tensor_img.mean(2) # mean value without 0non_zero_img = reshape_tensor_img[reshape_tensor_img.nonzero(as_tuple=True)]ave_color = non_zero_img.view(reshape_tensor_img.size(0), reshape_tensor_img.size(1), -1).mean(2)计算完均值，想要加法运算的时候也会碰上一点维度上的麻烦，需要维度转换一下。
reshape_ave_color = ave_color.view(ave_color.size(0), ave_color.size(1), 1, 1)add_img = tensor_img + reshape_ave_colorPytorch tensor的运算
tensor操作
1. 新建
A、torch.Tensor(shape)/torch.FloatTensor(shape)：随机初始化一个维度为shape的张量。
B、torch.randn(shape)：用均值为0，方差为1的高斯分布初始化一个shape的张量。
C、torch.rand(shape)：在区间[0,1]上均匀分布，初始化一个shape的张量。
2、Tensor的变换
A、view / reshape
两个用法差不多，都是用来改变一个张量的数据分布。
注：(2,-1)中的-1会自动计算剩下的维度。
B、squeeze / unsqueeze
第一个是用来压缩维度为1的张量，如(6,1,32,32).squeeze()之后就变为(6,32,32)；第二个是用来增加一个维度。具体看实例如下：
注：squeeze中不带参数，是将所有维度为1的地方去掉，带参数是去指定维度为1的地方，若指定的维度不为1，则不变。
注：在指定的维度上插入一个大小为1的新维度。
C、expand / repeat
这两个都是进行数据的扩充操作，第一个是扩充到指定的维度大小，第二个函数的参数维度上扩充的倍数。一般结合上面2.B中的函数使用。
D、 t / transpose / permute
这三个函数用来数据维度之间的调整，第一个只能用于2D。
E、broadcasting机制
相当于自动完成了unsqueeze+expand的操作，但是相比节省内存空间。
通过broadcasting机制，张量可以直接和标量进行相加。
到此，关于“pytorch tensor计算三通道均值方式是什么”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注编程网网站，小编会继续努力为大家带来更多实用的文章！
