影像即張量 · torchvision 的入口

歡迎來到 電腦視覺 → 深度電腦視覺。

這條軌道假設你已經學過 ml/pytorch(會 tensor、autograd、訓練迴圈、CNN 基礎)。我們不重教這些,而是直接做視覺專屬的進階主題:遷移學習、資料增強、物件偵測、影像分割、可解釋性。

第一步:把最根本的觀念釘牢

在電腦眼裡,一張彩色影像就是一個形狀 [C, H, W] 的張量——3 個顏色通道(RGB)× 高 × 寬,每個數字是一個像素強度。所有視覺模型,吃的都是這個張量。

理解了這點,「影像處理」就不再神祕——它只是對一個三維數字陣列做運算。

這堂課你會學到

• 用 torchvision 一行載入 CIFAR-10(6 萬張 32×32 彩色小圖,10 類)
• 看懂一張影像的形狀 (3, 32, 32) 與像素範圍(ToTensor 把 0–255 縮到 0–1)
• 用 DataLoader 一次拿一批,把影像排成 grid 視覺化
• 正規化(Normalize):用平均/標準差把輸入置中,讓訓練更穩、更快——視覺模型幾乎必做

為什麼從 CIFAR-10 開始?

它夠小(秒下載、好訓練),又夠真實(彩色、有背景雜訊,比 MNIST 難得多)。整條軌道很多課都會回到它,讓你專注在「方法」而不是「資料工程」。

👉 建議先學完 ml/pytorch。這課純看資料、不訓練,Colab 不開 GPU 也行。