머신러닝 모델에 입력하기 전 데이터는 적절한 형태로 가공되어야 합니다. torchvision.transforms는 이미지와 레이블을 전처리할 수 있는 다양한 변환 도구를 제공하며, Dataset 생성 시 transform과 target_transform 인자를 통해 적용할 수 있습니다.

핵심 변환 클래스

실전 예제: FashionMNIST 전처리

FashionMNIST 데이터셋의 이미지는 PIL 형식이며, 레이블은 정수입니다. 이를 모델 입력에 맞게 Tensor로 변환하고, 레이블은 one-hot 벡터로 바꿔보겠습니다.

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda, Compose

# one-hot 인코딩 함수 분리 정의
def make_one_hot(label_idx, num_classes=10):
    base = torch.zeros(num_classes, dtype=torch.float32)
    return base.scatter_(0, torch.tensor(label_idx), 1.0)

# 커스텀 변환 파이프라인 구성
img_transform = Compose([
    ToTensor(),  # [0, 255] -> [0.0, 1.0] 범위의 FloatTensor
])

label_transform = Lambda(make_one_hot)

# 데이터셋 로드
fashion_data = datasets.FashionMNIST(
    root='./fashion_data',
    train=True,
    download=True,
    transform=img_transform,
    target_transform=label_transform
)

ToTensor 동작 상세

ToTensor는 다음 세 가지 핵심 연산을 수행합니다:

1. 입력 데이터 타입을 torch.float32로 캐스팅
2. 픽셀 값을 255로 나누어 [0.0, 1.0] 구간으로 스케일링
3. 차원 순서를 (H, W, C) → (C, H, W)로 재배치

Lambda를 활용한 고급 변환

복잡한 로직은 별도 함수로 분리하여 가독성을 높이는 것이 좋습니다. 다음은 레이블에 부가 정보를 추가하는 예시입니다:

def enhanced_label_transform(raw_label):
    # 기본 one-hot 벡터
    one_hot = torch.zeros(10, dtype=torch.float)
    one_hot[raw_label] = 1.0
    
    # 추가 메타데이터 (예: 짝수/홀수 클래스 구분)
    metadata = torch.tensor([
        float(raw_label % 2 == 0),  # 짝수 여부
        float(raw_label > 4)         # 상위 카테고리 여부
    ])
    
    return {'class_vector': one_hot, 'extra': metadata}

# 활용
enhanced_ds = datasets.FashionMNIST(
    root='./fashion_data',
    train=False,
    transform=ToTensor(),
    target_transform=Lambda(enhanced_label_transform)
)

주의사항

• target_transform의 오타(target_tansform 등)는 무시되며 변환이 적용되지 않습니다
• 변환은 즉시 실행(eager)되므로, 무거운 연산은 DataLoader의 num_workers로 병렬화하세요
• GPU에서 실행 시 pin_memory=True 설정으로 호스트-디바이스 전송 최적화