Python/Pytorch 显示图片

python如何显示图片是一个谜题，今天就让我们来揭秘它！
首先，python中一般采用plt.imshow()函数读取，今天我们主讲这个。

一、plt.imshow()函数参数：

通常直接采用 plt.imshow(img) 即可：
img图像数据，支持的数组形状是：
（M，N） ： 带有标量数据的图像。数据可视化使用色彩图。
（M，N，3） ：具有RGB值的图像（float或uint8）。
（M，N，4） ：具有RGBA值的图像（float或uint8），即包括透明度。
前两个维度（M，N）定义了行和列图片，即图片的高和宽；
RGB（A）值应该在浮点数[0, …, 1]的范围内，或者整数[0, … ,255]。超出范围的值将被剪切为这些界限。

关键点：
（1）img必须是数组类型（不能是tensor或者dataframe）
（2）既可以是整数型[0, … ,255]，也可以是浮点型[0, …, 1] 这俩显示的效果是一模一样的。
（3）必须是HWC类型的图像，通道必须在最后一维。（记住，只有卷积时通道的维度才是在前）

二、常见的一些操作/转换算法：

（1）tensor —> 数组转换：img=img.numpy()
（2）数组 —> tensor转换：img=torch.tensor(img)
（3）数组维度交换，例如将CHW交换为HWC：img = np.transpose(img, (1,2,0))；
（4）tensor维度交换，例如将CHW交换为HWC：img.permute(1, 2, 0)
（5）数组行列交换（例如将第三行与第四行交换，有些图片格式是BGR而不是RGB，显示时需要先一步转换）img = img[:,:,[2,1,0]] 前面两个行和列不变，只变最后一个通道的顺序
（6）反归一化：有些时候处理的图是归一化的，如果想变为原来的像素，需要执行反归一化，只需令Mean = -Mean/Std，Std=1/Std，然后再次调用torchvision.transforms.Normalize函数，将反归一化后的平均值和标准差输入进去，即可实现。（当然，许多操作中直接进行了 img=(img+1)/2 操作，效果与反归一化一模一样， 这是由于dataset中往往会先Totensor，转换为0-1，再（0.5，0.5，0.5）的归一化为[-1，1] 因此上述操作等同于反归一化）
接上条，如果归一化时不是(0.5,0.5,0.5)这样简单的数怎么办呢？一方面还是通过上述公式手动计算，然后调用归一化函数。另一方面，如果步调用归一化函数，也可以采用如下代码：

```python
cifar_10_mean = (0.491, 0.482, 0.447) # mean for the three channels of cifar_10 images
cifar_10_std = (0.202, 0.199, 0.201) # std for the three channels of cifar_10 images
# convert mean and std to 3-dimensional tensors for future operations
mean = torch.tensor(cifar_10_mean).to(device).view(3, 1, 1)
std = torch.tensor(cifar_10_std).to(device).view(3, 1, 1)
#反归一化
img = ((img) * std + mean).clamp(0, 1) # to 0-1 scale

```
虽然这个img的维度是（batch, channel, height, weight）四维的，反归一化的维度是三维的的，不过tensor相乘时会自动转换为同样的size。

三、示例代码：

#从数据集中读取一张图片
img = dataset[