mindspore.dataset.vision.NormalizePad
- class mindspore.dataset.vision.NormalizePad(mean, std, dtype='float32', is_hwc=True)[源代码]
根据均值和标准差对输入图像进行归一化,然后填充一个全零的额外通道。
- 参数:
mean (sequence) - 图像每个通道的均值组成的列表或元组。平均值必须在 (0.0, 255.0] 范围内。
std (sequence) - 图像每个通道的标准差组成的列表或元组。标准差值必须在 (0.0, 255.0] 范围内。
dtype (str, 可选) - 输出图像的数据类型。默认值:
"float32"
。is_hwc (bool, 可选) - 指定输入图像的格式,若为
True
,表示输入为 HW(C) 格式,否则为 CHW 格式。默认值:True
。
- 异常:
TypeError - 如果 mean 不是sequence类型。
TypeError - 如果 std 不是sequence类型。
TypeError - 如果 dtype 不是str类型。
TypeError - 如果 is_hwc 不是bool类型。
ValueError - 如果 mean 不在 [0.0, 255.0] 范围内。
ValueError - 如果 std 不在范围内 (0.0, 255.0]。
RuntimeError - 如果输入图像的shape不是 <H, W>, <H, W, C> 或 <C, H, W>。
- 支持平台:
CPU
样例:
>>> import numpy as np >>> import mindspore.dataset as ds >>> import mindspore.dataset.vision as vision >>> >>> # Use the transform in dataset pipeline mode >>> data = np.random.randint(0, 255, size=(1, 100, 100, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> normalize_pad_op = vision.NormalizePad(mean=[121.0, 115.0, 100.0], ... std=[70.0, 68.0, 71.0], ... dtype="float32") >>> transforms_list = [normalize_pad_op] >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=transforms_list, input_columns=["image"]) >>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True): ... print(item["image"].shape, item["image"].dtype) ... break (100, 100, 4) float32 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.NormalizePad(mean=[121.0, 115.0, 100.0], std=[70.0, 68.0, 71.0], dtype="float32")(data) >>> print(output.shape, output.dtype) (100, 100, 4) float32
- 教程样例: