mindspore.dataset.vision.SlicePatches
- class mindspore.dataset.vision.SlicePatches(num_height=1, num_width=1, slice_mode=SliceMode.PAD, fill_value=0)[源代码]
在水平和垂直方向上将Tensor切片为多个块。适合于Tensor高宽较大的使用场景。如果将 num_height 和 num_width 都设置为 1,则Tensor将保持不变。输出Tensor的数量等于 \(num\_height * num\_width\)。
- 参数:
num_height (int, 可选) - 垂直方向的切块数量。默认值:
1
。num_width (int, 可选) - 水平方向的切块数量。默认值:
1
。slice_mode (
SliceMode
, 可选) - 表示填充或丢弃,它可以是SliceMode.PAD
、SliceMode.DROP
。默认值:SliceMode.PAD
。fill_value (int, 可选) - 如果 slice_mode 取值为
SliceMode.PAD
,该值表示在右侧和底部的边界填充宽度(以像素数计)。 fill_value 取值必须在[0, 255]范围内。默认值:0
。
- 异常:
TypeError - 当 num_height 不是int。
TypeError - 当 num_width 不是int。
TypeError - 当 slice_mode 的类型不为
mindspore.dataset.vision.SliceMode
。TypeError - 当 fill_value 不是int。
ValueError - 当 num_height 不为正数。
ValueError - 当 num_width 不为正数。
ValueError - 当 fill_value 不在 [0, 255]范围内。
RuntimeError - 如果输入的Tensor不是 <H, W> 或<H, W, C> 格式。
- 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 >>> # default padding mode >>> num_h, num_w = (1, 4) >>> slice_patches_op = vision.SlicePatches(num_h, num_w) >>> transforms_list = [slice_patches_op] >>> cols = ['img' + str(x) for x in range(num_h*num_w)] >>> >>> data = np.random.randint(0, 255, size=(1, 100, 100, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=transforms_list, ... input_columns=["image"], ... output_columns=cols) >>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True): ... print(len(item), item["img0"].shape, item["img0"].dtype) ... break 4 (100, 25, 3) uint8 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.SlicePatches(1, 2)(data) >>> print(np.array(output).shape, np.array(output).dtype) (2, 100, 50, 3) uint8
- 教程样例: