transforms
上篇博文《Pytorch：Dataloader和Dataset以及搭建数据部分的步骤》提到transforms是pytorch数据模块的预处理部分。transforms来自torchvision，torchvision是pytorch的计算机视觉工具包。torchvision有以下几个主要的模块：
torchvision.transforms：常用的图像预处理方法
torchvision.datasets：常用数据集的datasets实现，MNIST，CIFAR-10，Imagenet等
torchvision.model：常用的模型预训练，Alexnet，VGG，Resnet，Googlenet等
torcvision.transforms提供了很多常用的图像预处理方法，不限以下的归类：
数据中心化、数据标准化
缩放、裁剪、旋转、翻转、填充、噪声添加
灰度变换、线性变换、仿射变换、亮度 饱和度 对比度变换
transforms模块机制
在上篇博文中提到，在数据处理的流程中，通常在设置好数据的路径以及计算好数据的均值方差后，构建dataset以及dataloader前，设立transforms的compose。compose就是将所需的transforms的各种变换有序地组合在一起。
下面就是一个一般的数据预处理，包括resize、totensor以及normalize。而训练数据中的randomcrop是数据增强的举例体现，后续会详细介绍，验证集（valid）不需要数据增强。
在上篇博文的底层代码步进流程中可以知晓，在自定义dataset中的__getitem__()函数中有检查是否执行transforms的判断，从这里再进入transforms.py的函数定义，会进入到call函数中，进行每个transforms方法的依次调用。这里的self便是compose体，t为compose中每个transforms具体的方法
依次循环完后就在getitem做返回到fetch函数整理成一个batch的data，继而退出dataloaderiter，完成一次enumerate，得到一个batchsize的数据，进入训练
结合上述流程，考虑transforms重新整理成完整的流程图，可以得到：
另外，简要说明下transform中几乎必用的标准化函数
transforms.normalize
功能：逐channel地对图像进行标准化
公式：output=(input - mean) / std
mean：各通道的均值
std：各通道的标准差
inplace：是否执行原地操作，默认False
tips：
为什么要对数据进行标准化？ 标准化（即减均值除以标准差）可以大大加快模型的收敛，使得新的数据大体分布在0均值左右，且波动相对较小，使得训练的模型参数也相对简单和易学习。如果没有标准化操作，可想而知，模型习得的参数会比较大，而且损失函数也比较大，更新优化也相对缓慢与粗糙，对尤其是成千上万参数的模型训练来说是不可靠的。
下篇博文《Pytorch：transforms二十二种数据预处理方法及自定义transforms方法》会详细介绍transforms中用于数据增强的各种函数以及如何实现自定义的transforms方法