OpenCV图像到PyTorch张量的预处理
OpenCV图像读取后，默认是预处理为HWC形状，而在PyTorch中，希望的是CHW形状; 另一方面，在通道顺序上，OpenCV默认是BGR的顺序，而在PyTorch的张量处理环节，我们一般希望的是RGB顺序。这里就涉及到了数据处理和转换。
从OpenCV图像到PyTorch张量的转换
我们先模拟一个高度为2，宽度为3的彩色图像：
from torch import tensor
a = torch.randint(low=0, high=255, size=(2, 3, 3))这里的a似于：
tensor([[[ 58, 223, 24], [ 35, 116, 249], [ 81, 220, 168]],
[[242, 169, 149], [149, 87, 167], [165, 66, 88]]])如果这个数据是从OpenCV读取过来，那么最内层通道顺序是BGR。
为了得到RGB，我们可以将最内侧倒排一下：
b = a[:, :, [2,1,0]]结果类似于：
tensor([[[ 24, 223, 58], [249, 116, 35], [168, 220, 81]],
[[149, 169, 242], [167, 87, 149], [ 88, 66, 165]]])但问题是，上面的张量形状是 (H,W,C)，而在PyTorch中，我们期望的是(C,H,W)。现在我们将它拆分重排成RGB三个通道，其中每个通道都是一个2*3灰度图：
c = b.permute(2,0,1 )
print(c)结果类似于：
tensor([
# R通道
[[ 24, 249, 168],
[149, 167, 88]],
# G通道
[[223, 116, 220],
[169, 87, 66]],
# B通道
[[ 58, 35, 81],
[242, 149, 165]]])一个数据集加载示例
在《Modern Computer Vision》中，讲解了使用VGG16进行迁移学习，然后用于猫狗分类的示例。一方面VGG16预训练模型是在ImageNet数据集上训练得来的，其中所有图像都被缩放为 224 × 224 作为输入。为了充分利用预训练的权重，我们需要把训练的输入图像调整为相同大小。
