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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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

所属项目

手写数字识别 从 NumPy 核心实现到 PyTorch 对照,按六阶段组织手写数字识别的模块、知识与实践。

关联知识

Pillow 图片读写、缩放、裁剪与颜色转换;进阶整理 EXIF 方向、透明叠加和固定尺寸封面。 NumPy 数组创建、索引、广播与统计;进阶整理视图、einsum 和局部排序。