mindspore.dataset.vision.ResizedCrop

class mindspore.dataset.vision.ResizedCrop(top, left, height, width, size, interpolation=Inter.BILINEAR)[源代码]

裁切输入图像的指定区域并放缩到指定尺寸大小。

支持 Ascend 硬件加速，需要通过 .device(“Ascend”) 方式开启。

参数：

top (int) - 裁切区域左上角位置的纵坐标。
left (int) - 裁切区域左上角位置的横坐标。
height (int) - 裁切区域的高度。
width (int) - 裁切区域的宽度。
size (Union[int, Sequence[int, int]]) - 图像的输出尺寸大小。若输入int，将调整图像的较短边长度为 size ，且保持图像的宽高比不变；若输入Sequence[int, int]，其输入格式需要是 (高度, 宽度) 。
interpolation (Inter, 可选) - 图像插值方法。可选值详见 mindspore.dataset.vision.Inter 。默认值： Inter.BILINEAR。

异常：

TypeError - 如果 top 不为int类型。
ValueError - 如果 top 为负数。
TypeError - 如果 left 不为int类型。
ValueError - 如果 left 为负数。
TypeError - 如果 height 不为int类型。
ValueError - 如果 height 不为正数。
TypeError - 如果 width 不为int类型。
ValueError - 如果 width 不为正数。
TypeError - 如果 size 不为int或Sequence[int, int]类型。
ValueError - 如果 size 不为正数。
TypeError - 如果 interpolation 不为 mindspore.dataset.vision.Inter 类型。
RuntimeError - 如果输入图像的形状不是 <H, W> 或 <H, W, C>。

支持平台：

CPU

样例：

>>> import numpy as np
>>> import mindspore.dataset as ds
>>> import mindspore.dataset.vision as vision
>>> from mindspore.dataset.vision import Inter
>>>
>>> # Use the transform in dataset pipeline mode
>>> transforms_list = [vision.ResizedCrop(0, 0, 64, 64, (100, 75), Inter.BILINEAR)]
>>> 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"])
>>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True):
...     print(item["image"].shape, item["image"].dtype)
...     break
(100, 75, 3) uint8
>>>
>>> # Use the transform in eager mode
>>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8)
>>> output = vision.ResizedCrop(0, 0, 1, 1, (5, 5), Inter.BILINEAR)(data)
>>> print(output.shape, output.dtype)
(5, 5, 3) uint8

教程样例：

视觉变换样例库

device(device_target='CPU')[源代码]

指定该变换执行的设备。

当执行设备是 Ascend 时，输入/输出数据的维度限制为[4, 6]和[32768, 32768]之间。

参数：

device_target (str, 可选) - 算子将在指定的设备上运行。当前支持 CPU 和 Ascend 。默认值： CPU 。

异常：

TypeError - 当 device_target 的类型不为str。
ValueError - 当 device_target 的取值不为 CPU / Ascend 。

支持平台：

CPU Ascend

样例：

>>> import numpy as np
>>> import mindspore.dataset as ds
>>> import mindspore.dataset.vision as vision
>>> from mindspore.dataset.vision import Inter
>>>
>>> # 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"])
>>> resize_crop_op = vision.ResizedCrop(0, 0, 64, 64, (100, 75)).device("Ascend")
>>> transforms_list = [resize_crop_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, 75, 3) uint8
>>>
>>> # Use the transform in eager mode
>>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8)
>>> output = vision.ResizedCrop(0, 0, 64, 64, (32, 16), Inter.BILINEAR).device("Ascend")(data)
>>> print(output.shape, output.dtype)
(32, 16, 3) uint8