图片预处理
状态:待开始。 重点是让模型看到符合训练约定的图片。返回项目 Index
这一部分要回答什么
- 数值缩放和标准化有什么区别?
- 为什么同样是数字 7,照片与 MNIST 可能差很多?
- 为什么要保留纵横比、检查笔画大小和空白输入?
- 哪些变换共享,哪些只在训练时随机发生?
先写输入契约
| 项目 | 第一版约定 |
|---|---|
| 内容 | 干净背景中的单个数字 |
| 通道与外观 | 单通道灰度,暗背景、亮笔画 |
| 尺寸 | 28 × 28,数字比例自然且居中 |
| 模型输入 | [B,1,28,28],float32 |
| 数值 | 先缩放到 0–1;若标准化,使用固定训练统计量 |
| 空白输入 | 在调用分类器前检测并给出提示 |
上述表格是待实现的项目设计;阈值、边距、插值和统计量要在实验后写成明确配置。
动手任务
- 明确 RGB / 灰度 / RGBA 的处理规则。透明图先合成到约定背景;保留原图副本。
- 为自写图片做来源适配:判定笔画与背景,必要时反色,检测空白,找前景包围盒。
- 保持纵横比缩放笔画区域,再补边到 28 × 28;尝试几何居中,必要时比较重心居中。保存每一步中间图,不预设某个阈值必然适合所有图片。
- 和 MNIST 样本网格并排比较大小、位置、粗细、背景与范围。MNIST 已经整理过,不重复机械裁剪。
- 把确定性的张量转换与数值处理集中在一处;如果使用均值 / 标准差,只从训练子集计算并保存。
- 等基线走通后,再尝试训练专用的轻微平移 / 旋转;验证、测试与识别关闭随机增强。数字任务不默认使用翻转。
划分索引与变换配置分别管理:如果训练 / 验证子集引用同一个 Dataset,要留意它们可能共享同一份 transform。确认验证集没有意外继承训练的随机增强。
文件操作参考 Pillow Image,张量变换参考 torchvision.transforms.v2。像素可视化与张量统计可结合本站 Pillow、NumPy 笔记。
完成标准
- 展示“原图 → 灰度 / 反色 → 裁剪 → 缩放补边 → 最终输入”对比
- 黑字白底、白字黑底和透明背景都有明确处理结果
- 同一张图重复处理结果稳定,不会反复反色或重复标准化
- 能打印最终 shape、dtype、范围和 device
- 空白图不会被当作正常数字直接报告预测
- 训练、验证、推理共享的处理与随机增强已清楚分开
我的实践记录
待补充:输入契约最终版本、中间图、阈值与居中选择、训练统计量、失败样本及修正原因。
下一步:03 · 神经网络