安装
pip install torchvision
torchvision独立于pytorch，专门用来处理图像，通常用于计算机视觉领域。
重点介绍torchvision最常用的三个包：
models：提供了很多常用的训练好的网络模型，我们可以直接加载并使用，如Alexnet、ResNet等。
datasets：提供了（1）一些常用的图片数据集，如MNIST、COCO等（2）加载自己的数据集的常用方法，目前只有DatasetFolder、ImageFolder、VisionDataset三个方法。
transforms：提供了一些常用的图像转换处理操作，主要针对Tensor或PIL Image进行操作。
下面我们简单介绍一下这些包的用法，更多详细的内容可以查阅Torchvision的官方文档和源代码
Torchvision提供的models包包括了很多常用模型的定义，继承自torch.nn.Module类，使用起来十分简单方便。以分类模型AlexNet为例，用法如下。
AlexNet类的初始化方法为
torchvision.models.alexnet(pretrained=False, progress=True)
参数的含义：
除了个别比较复杂的模型，大多数模型函数的用法和参数与该函数类似，不再多举例。
torchvision.transforms包是torchvision中用来进行图像变换(transform)的包，如裁剪、缩放、翻转等。
transforms包操作的对象通常是PIL Image或torch.tensor类型的图像数据，包中的大多数变换方法对两种输入都适用，但有一些变换只可以输入PIL Image或只可以输入torch.Tensor。下文中我们会对一些常用的方法进行说明，但更详细的内容还是要参见官方文档。
Compose类的作用是将多个变换组合在一起，初始化方法为
torchvision.transforms.Compose(transforms)
参数的含义：
举例
transforms.Compose([
transforms.CenterCrop(10),
transforms.Pad(10, 0),
transforms.ToTensor(),
transform.Normalize(mean=[0.5, 0.5, 0.5], std=[0.1, 0.1, 0.1])
transforms.ConvertImageDtype(torch.float),
])
上面的例子中，对一张图像以此进行了以下步骤的变换：
下面是一些常用的图像变换，这些变换既可以针对PIL Image格式的输入进行，也可以针对torch.Tensor进行。
transforms.CenterCrop(size)
以图像中心为基点进行裁切。如果图像本身就小于裁切的尺寸，则先将图像Pad填充上0，再进行裁切。
参数：
transforms.Pad(padding, fill=0, padding_mode='constant')
对图像边缘进行pad填充，参数的含义如下：
transforms.RandomCrop(size, padding=None, pad_if_needed=False,
fill=0, padding_mode='constant')
以图像上的任意一个位置作为基点进行裁切。参数的含义如下：
transforms.Grayscale(num_output_channels=1)
将图像转换成灰度图。输入的参数含义如下：
transforms.Normalize(mean, std, inplace=False)
对tensor图片进行标准化，均值为mean，标准差为std。不支持PIL Image。
假设图片有n个通道，由于这个标准化操作对图片的每一个通道都要进行，因此mean和std都是长度为n的序列，对应每个通道的标准化参数。
参数含义：
transforms.ConvertImageDtype(dtype)
将一张tensor图片转换成指定的数据类型(data type, dtype)，如torch.float32、torch.int等。该方法不适用于PIL Image。参数的含义如下
下面是PIL Image和torch.Tensor两种数据类型相互转换的方法。
transforms.ToPILImage(mode=None)
将tensor或numpy.ndarray类型的数据转换成PIL Image，这个转化不支持torchscript。如果tensor或ndarray数据的大小为C×H×W大小，则转换后的PIL Image大小为H×W×C。
参数含义：
解释一下，像素深度(Pixel Depth)是存储每个像素所用的位数，色彩空间(Color Space)是指一些常用的颜色模型构成色彩的集合，如RGB、CMYK、LAB等。
torchvision.transforms.ToTensor()
将PIL Image或numpy.ndarray类型的数据转换成tensor，这个转化不支持torchscript。
这些transform类的一个应用场景是，假设我们有一个图片样本，现在想直接对它进行变换，应该如何调用这些类来完成这个操作。
假设我们读取了一张PIL Image格式的图片，现在希望把它转换成Tensor类型，则方法为
from PIL import Image
from torchvision import transforms
image = Image.open(r"/path/to/image.jpg")
img_tensor = transform.ToTensor()(image)
即可得到转换后的Tensor。
datasets包中所有的类几乎都直接或间接继承自torch.utils.data.Dataset类，因此，借由datasets包得到的数据集都可以再传递给torch.utils.data.DataLoader，由它进行多线程并行加载样本数据。例如并行加载一个ImageNet数据集的代码如下
imagenet_data = torchvision.datasets.ImageNet('path/to/imagenet_root/')
data_loader = torch.utils.data.DataLoader(imagenet_data,
batch_size=4,
shuffle=True,
num_workers=args.nThreads)
以加载MNIST数据集为例，MNIST类的初始化方法如下
torchvision.datasets.MNIST(root, train=True, transform=None,
target_transform=None, download=False)
它的参数含义如下：
这里我们重点介绍一下transform和target_transform两个参数。两个参数都要使用前文介绍的transforms包，可以对输入或目标进行一个变换或一组变换，返回变换后的结果。例如
from torchvision import datasets
from torchvision import transforms
tran = transforms.Compose([
transforms.CenterCrop(50),
transforms.ToTensor(),
])
mnist = datasets.MNIST(root="path/to/MNIST", train=True, download=True, transform=tran)
在上面的代码中，我们定义了一组变换tran，它会将图片先裁切成50×50大小，再转换成tensor格式。
然后我们读取"path/to/MNIST"路径下的数据集MNIST，如果数据集不存在就从网络上下载到该路径下，对于数据集中的每个图片，我们都进行tran定义的变换。
target_transform参数的用法与transform参数类似，只不过是针对数据的目标进行变换。例如，在语义分割问题中，可以对分割的mask(Segmentation mask)进行变换；在分类问题中，也可以对分类标签进行变换。
Torchvision提供了一个常用的加载自定义数据集的类ImageFolder，使用它加载图片数据集时，数据集需要以这样的方式进行组织：将不同类别的数据分别放在不同目录下，每个目录的名字就是数据的标签。举个例子如下（注：图片本身可以随意起名，但必须保证具有同一类的图片放在一个目录下）
├──cat
¦ ├──cat_001.jpg
¦ ├──cat_002.jpg
¦ └──……
├──dog
¦ ├──dog_001.jpg
¦ ├──dog_002.jpg
¦ ├──dog_003.jpg
¦ └──……
└──……
随便找了几张图片作为这个示例。
ImageFolder类的初始化方法如下
torchvision.datasets.ImageFolder(root, transform=None, target_transform=None
loader=default_loader, is_valid_file=)
参数的含义如下
label就是一张图像的标签，也就是将子文件夹的名字以字典的形式存储起来，即{类名 : 序号}，序号从0开始顺序向后计数。上文中的例子中的label就是
{cat : 0}
{dog : 1}
……
常用的成员变量为
from torchvision.datasets import ImageFolder
dataset = ImageFolder("data/")
print(dataset.classes)
print(dataset.class_to_idx)
print(dataset.imgs)
输出为
dataset[i]可以得到对应图像的数据。dataset[i][0]是PIL图像类型，dataset[i][1]是该图像的类别。
print(dataset[0])
输出为
除了上述三个包外，utils包也是经常用到的包，里面包括了一些在计算机视觉领域经常用到的操作。
函数原型
torchvision.utils.make_grid(tensor, nrow=8, padding=2, normalize=False,
value_range=None, scale_each=False, pad_value=0) → Tensor
该函数的作用是将若干张图像拼成一幅图像。如下图所示
各参数的含义如下：
torchvision.utils.save_image(tensor, fp, format=None) → None
直接将给定的Tensor保存成图片。
参数的含义：
torchvision.utils.draw_bounding_boxes(image, boxes, labels=None, colors, fill=False,
width=1, font=None, font_size=10) → Tensor
在给定的图像中画出bounding box。输入的图像必须是uint8类型，且范围在0到255之间。
参数的含义如下：
返回一张标注了bounding box的图像，类型dtype为uint8。
torchvision.utils.draw_segmentation_masks(image, masks, alpha=0.8, colors=None)
在给定的RGB图像上画出语义分割的mask。输入的图像必须是uint8类型，且范围在0到255之间。
参数的含义：