在上一节中自定义的数据集或者预加载的数据集得到的数据，并不总是以最终处理的形式出现在训练机器学习算法中。所以需要使用 变换 来处理数据并使其适合训练。所有 TorchVision 数据集都有两个参数，torchvision.transforms 模块提供开箱即用的几个常用转换：
（1）transform修改功能和 target_transform修改标签
（2）接受包含转换逻辑的可调用对象。
FashionMNIST 特征是 PIL 图像格式，标签是整数。 对于训练，需要将特征作为归一化张量，并将标签作为 one-hot 编码张量。为了进行这些转换，需要使用 ToTensor和 Lambda.
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
1、ToTensor()
ToTensor()将PIL图像或NumPy ndarray转换为浮点张量。并在[0,1]范围内缩放图像的像素强度值。
2、Lambda Transforms
Lambda 转换应用任何用户定义的 lambda 函数。 在这里，我们定义一个函数将整数转换为 one-hot 编码张量。 它首先创建一个大小为 10 的零张量（我们数据集中的标签数量）并调用scatter_ 分配一个value=1在标签给出的索引上y。
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
| torch.zeros（） | 返回一个由标量0填充的张量，形状由size（10）决定，参数可以是一个list 也可以是一个元组。type指定返回tensor的数据类型，如果为None，使用默认值 |
| scatter_（）/scatter（） | pytorch中，一般函数加下划线代表直接在原来的Tensor上修改。 scatter_(input, dim, index, src)：将src中数据根据index中的索引按照dim的方向填进input。可以理解成放置元素或者修改元素 |
| torch.tensor() | 通过数据构造张量的函数 |
（1）其中关于target_transform标签变换中用到的的lambda：
关于Python中的lambda，这篇阅读量10万+的文章可能是你见过的最完整的讲解_肖哥shelwin的博客-CSDN博客_lambda python
lambda的语法是唯一的。其形式如下：
lambda argument_list: expression
其中，lambda是Python预留的关键字，argument_list和expression由用户自定义。输入是传入到参数列表argument_list的值，输出是根据表达式expression计算得到的值。本例将lambda函数赋值给变量target_transform，导入标签值y，在进行 one-hot 编码。
（2）scatter是一个非常实用的映射函数，其将一个源张量（source）中的值按照指定的轴方向（dim）和对应的位置关系（index）逐个填充到目标张量（target）中，其函数写法为：
target.scatter(dim, index, src)
- target：即目标张量，将在该张量上进行映射
- src：即源张量，将把该张量上的元素逐个映射到目标张量上
- dim：指定轴方向，定义了填充方式。对于二维张量，dim=0表示按每行的列索引进行填充，而dim=1表示按每列的行索引进行填充
- index: 按照轴方向，在target张量中需要填充的位置
由于不太容易理解，以下是两个编码过程：
（3）例：
scatter() 用于 one-hot 编码，这就是一个典型的用标量来修改张量的一个例子：
pytorch中scatter()、scatter_()详解_又笨又懒的猪的博客-CSDN博客_scatter_()
class_num = 10 batch_size = 4 label = torch.LongTensor(batch_size, 1).random_() % class_num #tensor([[6], # [0], # [3], # [2]]) torch.zeros(batch_size, class_num).scatter_(1, label, 1) #tensor([[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.], # [1., 0., 0., 0., 0., 0., 0., 0., 0., 0.], # [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.], # [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.]])
