该含义为：旋转、平移、缩放、扭曲等组合

• 核心函数：transforms.RandomAffine(degrees, translate=None, scale=None, shear=None, resample=0, fillcolor=0)

from PIL import Image
from torchvision import transforms as tfs
img = Image.open('scenery.jpg')
# 随机旋转
img1 = tfs.RandomAffine(45)(img)
# 随机平移
img2 = tfs.RandomAffine(0, (0.7, 0))(img)
# 随机缩放
img3 = tfs.RandomAffine(0, None, (3, 5))(img)
# 随机扭曲
img4 = tfs.RandomAffine(0, None, None, (45, 90))(img)
import matplotlib.pyplot as plt
axs = plt.figure().subplots(1,4)
axs[0].set_title('img1')
axs[0].imshow(img1)
axs[1].set_title('img2')
axs[1].imshow(img2)
axs[2].set_title('img3')
axs[2].imshow(img3)
axs[3].set_title('img4')
axs[3].imshow(img4)
截图如下：
 
				
对应详解博客为<< Pytorch框架学习路径(九：transforms图像增强（一）)>>的链接为https://blog.csdn.net/weixin_54546190/article/details/125126358?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22125126358%22%2C%22source%22%3A%22weixin_54546190%22%7D&ctrtid=hsqhW。博客中会有永久的本人录制的代码讲解视频百度网盘链接。
卷积神经网络非常容易出现过拟合的问题，而数据增强的方法是对抗过拟合问题的一个重要方法。
2012 年 AlexNet 在 ImageNet 上大获全胜，图片增强方法功不可没，因为有了图片增强，使得训练的数据集比实际数据集多了很多’新’样本，减少了过拟合的问题，下面我们来具体解释一下。
常用的数据增强方法
常用的数据增强方法如下：
1.对图片进行一定比例缩放
2.对图片进行随机位置的截取
size：依据给定size随机剪裁。如果是一个数a,就是（a,a）；如果是两个数就是(h,w)
二、随机剪裁
class torchvision.transforms.RandomCrop(size,padding=None,pad_if_need=False,fill=0,padding_mode='constant')
参数解释：
size：依据给定size随机剪裁。如果是一个数a,
(1) torchvision.tramsforms__可以用于图像预处理和数据增强（数据缩放、翻转等）
(2)torchvision.datasets__包括一些常见数据集（Fashion-MNIST、ImageNet、VOC等）
(3)torchvision.models__包括一些官方预训练模型权重（VGG、ResNet、Mobilenetv2等）
(4)torchvision.utils__提供一些可视化方法
				
在图像裁剪操作中，opencv和pillow两个库都具有相应的函数，但是这两个库中的函数仅仅能对与图片平行的矩形进行裁剪操作，如果想要对目标的最小外接矩形进行裁剪该如何操作呢？如下所示：
具体处理该问题的思路如下：
计算最小外接矩形的四个点的坐标，旋转角度
	将原图像进行旋转，旋转角度为最小外接矩形的角度
	将四个点的坐标进行映射，求出被旋转后图像的四个点的坐标
	利用这四个点对图像进行裁剪
图像原图如下：
1 求出该区域的最小外接矩形，并且得到外接矩形的四个点的坐标和旋转角度。
rect = cv2.minAreaRect(self.contours[0])#rect为[(旋转中心x坐
1)变换的组合，要想将多个变换组合在一起，请使用Compose
2)在中心剪裁给定的图像CenterCrop(size),
3)随机更改图像的亮度、对比度、饱和度和色度ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)，参数为浮点数或者tuple，例如0.5表示（0.5，1.5）的改变
4)以给定的概率随机水平翻转给定的图像RandomHo.