随机调整大小裁剪¶

class torchvision.transforms.v2.RandomResizedCrop(size: Union[int, Sequence[int]], scale: Tuple[float, float] = (0.08, 1.0), ratio: Tuple[float, float] = (0.75, 1.3333333333333333), interpolation: Union[InterpolationMode, int] = InterpolationMode.BILINEAR, antialias: Optional[bool] = True)[source]¶

裁剪输入的随机部分并将其调整为给定大小。

如果输入是torch.Tensor或TVTensor（例如Image， 视频，BoundingBoxes等），它可以有任意数量的前导批次维度。例如，图像可以有[..., C, H, W]形状。边界框可以有[..., 4]形状。

对原始输入进行裁剪：裁剪区域具有随机面积（H * W）和随机宽高比。最后将此裁剪区域调整为给定大小。这种方法通常用于训练Inception网络。

Parameters:

size (int 或 sequence) –
裁剪的预期输出大小，针对每个边缘。如果 size 是一个整数而不是像 (h, w) 这样的序列，则会生成一个正方形输出大小 (size, size)。如果提供一个长度为 1 的序列，它将被解释为 (size[0], size[0])。

注意

在 torchscript 模式下，不支持将 size 作为单个整数，请使用长度为 1 的序列：[size, ]。
scale (python:float 的元组, 可选) – 指定裁剪随机区域的下限和上限，在调整大小之前。该比例是相对于原始图像的面积定义的。
ratio (python:float 的元组, 可选) – 在调整大小之前，裁剪的随机宽高比的下限和上限。
插值 (InterpolationMode, 可选) – 由 torchvision.transforms.InterpolationMode 定义的所需插值枚举。默认值为 InterpolationMode.BILINEAR。如果输入是张量，则仅支持 InterpolationMode.NEAREST, InterpolationMode.NEAREST_EXACT, InterpolationMode.BILINEAR 和 InterpolationMode.BICUBIC。也接受相应的 Pillow 整数常量，例如 PIL.Image.BILINEAR。
antialias (bool, optional) –
是否应用抗锯齿。它只影响具有双线性或双三次模式的张量，否则会被忽略：在PIL图像上，双线性或双三次模式总是应用抗锯齿；在其他模式（对于PIL图像和张量）上，抗锯齿没有意义，此参数会被忽略。可能的值为：
- True (默认): 将对双线性或双三次模式应用抗锯齿。其他模式不受影响。这可能是你想要使用的。
- False: 不会对任何模式的张量应用抗锯齿。PIL 图像在双线性或双三次模式下仍然应用抗锯齿，因为 PIL不支持无抗锯齿。
- None: 对于张量等同于False，对于 PIL图像等同于True。此值存在是为了兼容旧版本，除非你确实知道自己在做什么，否则你可能不想使用它。
默认值在v0.17版本中从None更改为True，以使PIL和Tensor后端保持一致。