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: