PyTorch MNIST经自定义Transform处理后绘制首个测试样本的实现方法
实现测试集经自定义Transform处理的首张样本可视化方案
需要新增的代码及说明
- 提前导入绘图工具:
import matplotlib.pyplot as plt - 代码放置位置:在
dataset2初始化完成、后续DataLoader封装/CNN训练流程开始的位置插入即可。此时dataset已绑定完整的自定义Transform管线,索引取样本时会自动走完ToTensor、加高斯噪声、标准化的全部处理流程。 - 核心可运行代码:
# 获取测试集第一张走完所有自定义Transform的样本 sample_tensor, sample_label = dataset2[0] # 抵消Normalize操作的数值缩放偏移,还原到可正常显示的像素范围 # 对应原Transform里的Normalize参数:均值(0.1307,),标准差(0.3081,) display_img = sample_tensor * 0.3081 + 0.1307 # 压缩灰度图的单通道维度,适配matplotlib输入格式 display_img = display_img.squeeze(0) # 绘制图像 plt.imshow(display_img, cmap="gray") plt.title(f"经Transform处理的测试集首张样本,真实标签:{sample_label}") plt.axis("off") plt.show()
关键操作提醒
- 不能直接显示原始Transform后的Tensor:经过Normalize处理后,Tensor数值已经偏离常规图像的[0,1]显示区间,直接用matplotlib绘制会出现画面过暗、色彩失衡的问题,必须按原标准化参数做反向的数值还原。
- 反向还原仅抵消Normalize的缩放偏移,自定义管线里的高斯噪声扰动会完整保留在最终显示的图像中,能真实反映样本经过全部变换后的实际效果。
内容的提问来源于stack exchange,提问作者Jason Hong
相关产品推荐
相关产品推荐

