chore: Syntax Highlighting

4.人工智能/4.6.5.2.2数据增强.md

@@ -27,7 +27,7 @@ Torchvision 库中的 torchvision.transforms 包中提供了常用的图像操
 
 我们来看一个具体的例子加深理解。将图片进行一下数据类型的相互转换。具体代码如下：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -68,7 +68,7 @@ torchvision.transforms 提供了丰富的图像变换方法，例如：改变尺
 
 将输入的 PIL Image 或 Tensor 尺寸调整为给定的尺寸，具体定义为：
 
-```
+```python
 torchvision.transforms.Resize(size, interpolation=2)
 ```
 
@@ -81,7 +81,7 @@ torchvision.transforms.Resize(size, interpolation=2)
 
 在 resize 之后呢，一般会接一个 crop 操作，crop 到指定的大小。对于高与宽接近的图片来说，这么做问题不大，但是高与宽的差距较大时，就会 crop 掉很多有用的信息。关于这一点，我们在后续的图像分类部分还会遇到，到时我在详细展开。
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -105,7 +105,7 @@ torchvision.transforms 提供了多种剪裁方法，例如中心剪裁、随机
 
 先说中心剪裁，在中心裁剪指定的 PIL Image 或 Tensor，其定义如下：
 
-```
+```python
 torchvision.transforms.CenterCrop(size)
 ```
 
@@ -113,7 +113,7 @@ torchvision.transforms.CenterCrop(size)
 
 然后是随机剪裁，在一个随机位置剪裁指定的 PIL Image 或 Tensor，定义如下：
 
-```
+```python
 torchvision.transforms.RandomCrop(size, padding=None)
 ```
 
@@ -121,13 +121,13 @@ torchvision.transforms.RandomCrop(size, padding=None)
 
 最后要说的是 FiveCrop，我们将给定的 PIL Image 或 Tensor ，分别从四角和中心进行剪裁，共剪裁成五块，定义如下：
 
-```
+```python
 torchvision.transforms.FiveCrop(size)
 ```
 
 size 可以是 int 或 tuple，用法同上。掌握了各种剪裁的定义和参数用法以后，我们来看一下这些剪裁操作具体如何调用，代码如下：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -158,13 +158,13 @@ for img in imgs:
 
 以概率 p 随机水平翻转图像，定义如下：
 
-```
+```python
 torchvision.transforms.RandomHorizontalFlip(p=0.5)
 ```
 
 以概率 p 随机垂直翻转图像，定义如下：
 
-```
+```python
 torchvision.transforms.RandomVerticalFlip(p=0.5)
 ```
 
@@ -172,7 +172,7 @@ torchvision.transforms.RandomVerticalFlip(p=0.5)
 
 这里的随机翻转，是为数据增强提供方便。如果想要必须执行翻转操作的话，将 p 设置为 1 即可。图片翻转代码如下：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -212,7 +212,7 @@ display(img2)
 
 torchvision.transforms 提供了对 Tensor 进行标准化的函数，定义如下：
 
-```
+```python
 torchvision.transforms.Normalize(mean, std, inplace=False)
 ```
 
@@ -224,7 +224,7 @@ torchvision.transforms.Normalize(mean, std, inplace=False)
 
 我们来看看以 (R, G, B) 均值和标准差均为 (0.5, 0.5, 0.5) 来标准化图片后，是什么效果：
 
-```
+```python
 from PIL import Image
 from torchvision import transforms 
 
@@ -254,7 +254,7 @@ display(img_norm)
 
 Compose 类是将多个变换组合到一起，它的定义如下：
 
-```
+```python
 torchvision.transforms.Compose(transforms)
 ```
 
@@ -262,7 +262,7 @@ torchvision.transforms.Compose(transforms)
 
 我们还是结合例子动手试试，如果我们想要将图片变为 200*200 像素大小，并且随机裁切成 80 像素的正方形。那么我们可以组合 Resize 和 RandomCrop 变换，具体代码如下所示：
 
-```
+```python
 from PIL import Image
 from IPython.display import display
 from torchvision import transforms 
@@ -292,7 +292,7 @@ Compose 类是未来我们在实际项目中经常要使用到的类，结合 to
 
 我们还是以读取 MNIST 数据集为例，看下如何在读取数据的同时，完成数据预处理等操作。具体代码如下：
 
-```
+```python
 from torchvision import transforms
 from torchvision import datasets
 
@@ -320,7 +320,7 @@ print(type(item[0]))
 
 我们下面先来看看，在图像分类实战中使用的 transform，可以感受一下实际使用的 transforms 是什么样子：
 
-```
+```python
 transform = transforms.Compose([
     transforms.RandomResizedCrop(dest_image_size),
     transforms.RandomHorizontalFlip(),