# فصل ۰۱ — تصویر یعنی عدد

<div dir="rtl">

# فصل ۰۱ — تصویر یعنی عدد

## در این فصل چه یاد می‌گیری

دو ترم با جدول و بردار کار کردی. این ترم با **تصویر** کار می‌کند — و اولین چیزی که باید بفهمی این است که **برای کامپیوتر هیچ تفاوتی نیست**: تصویر هم یک `tensor` است، فقط با چیدمانِ خاصِ خودش.

در این فصل آن چیدمان را می‌بینی، قراردادِ `C×H×W` را که در کلِ PyTorch ثابت است یاد می‌گیری، و تصویر را برای دو مقصدِ متفاوت آماده می‌کنی: **شبکهٔ خودت** و **مدلِ آمادهٔ فصلِ ۴**.

![یک شبکهٔ مربعیِ ریز که هر خانه‌اش یک درجهٔ روشنایی دارد](/lesson-assets/t3-s01-image-tensor/prompt/01-image-pixel-grid.png)

آخر این فصل می‌توانی:

- `tensor` یک تصویر را بخوانی و ابعادش را توضیح بدهی
- قراردادِ `C×H×W` و جای `batch` را بگویی
- تصویر را درست نرمال کنی
- تصویرِ خاکستری را برای یک مدلِ آماده آماده کنی

## قبل از شروع

**از ترمِ ۱ فصل ۱:** `tensor`، `shape`، `dtype`.

**از ترمِ ۲ فصل ۳:** نرمال‌سازی و اینکه آمار را فقط از دادهٔ آموزش می‌گیری.

**دادهٔ این ترم:** `FashionMNIST` — ۷۰ هزار تصویرِ ۲۸×۲۸ خاکستری در ده دستهٔ پوشاک. **اولین اجرا چند دقیقه دانلود می‌خواهد، بعدش چند ثانیه.**

> 📓 **نوت‌بوک:** [نوت‌بوک این فصل را در Colab باز کن](/notebooks/zharfa/term-3-vision/session-01-image-tensor.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

> 💡 **نکته:** هر فصلِ این ترم روی CPU قابلِ اجراست. **GPU سریع‌ترش می‌کند ولی هیچ فصلی بدونش نمی‌شکند** — همان قاعدهٔ سختِ این دوره.

## ۱. یک تصویر، به‌صورتِ عدد

</div>

```python
import torch
import torch.nn as nn

image = Xtr[0]

print("شکل یک تصویر:", tuple(image.shape))
print("نوع:", image.dtype, "| کمینه:", float(image.min()), "| بیشینه:", float(image.max()))
print("برچسب:", int(ytr[0]), "->", CLASSES[int(ytr[0])])
```

<div dir="rtl">

</div>

```text
شکل یک تصویر: (1, 28, 28)
نوع: torch.float32 | کمینه: 0.0 | بیشینه: 1.0
برچسب: 9 -> Ankle boot
```

<div dir="rtl">

**`(1, 28, 28)` یعنی یک کانال، بیست‌وهشت سطر، بیست‌وهشت ستون.** آن `1` تعدادِ **کانالِ رنگ** است — تصویرِ خاکستری یک کانال دارد و تصویرِ رنگی سه‌تا.

**این ترتیب — `C×H×W` — قراردادِ ثابتِ PyTorch است** و در کلِ ترم تکرار می‌شود. **کتابخانه‌های دیگر (مثلاً `PIL` و `matplotlib`) ترتیبِ `H×W×C` را به‌کار می‌برند** و همین یکی از رایج‌ترین خطاهای شکل در کارِ با تصویر است.

## ۲. `batch` هم یک بُعدِ دیگر

</div>

```python
print("شکل batch:", tuple(Xtr[:8].shape))
print("C×H×W یعنی:", "کانال =", image.shape[0], "| ارتفاع =", image.shape[1], "| عرض =", image.shape[2])
print("سطر میانی (خام ۰..۲۵۵):", (image[0, 14] * 255).round().int().tolist())
```

<div dir="rtl">

</div>

```text
شکل batch: (8, 1, 28, 28)
C×H×W یعنی: کانال = 1 | ارتفاع = 28 | عرض = 28
سطر میانی (خام ۰..۲۵۵): [0, 0, 1, 4, 6, 7, 2, 0, 0, 0, 0, 0, 237, 226, 217, 223, 222, 219, 222, 221, 216, 223, 229, 215, 218, 255, 77, 0]
```

<div dir="rtl">

**آن سطر همان تصویر است.** دوازده خانهٔ اول همه زیر ۱۰ هستند — زمینهٔ سیاه، که چند خانه‌اش دقیقاً صفر نیست بلکه ۱ و ۴ و ۶ است. بعد یک رشتهٔ طولانی از عددهای بالای ۲۰۰ (بدنهٔ روشنِ چکمه)، و در انتها ۷۷ و صفر.

**همان چند خانهٔ «تقریباً سیاه» خودش یک درس است:** زمینهٔ یک تصویرِ واقعی به‌ندرت عددِ گردِ صفر است. **پس هیچ‌وقت با `== 0` دنبالِ زمینه نگرد**؛ آستانه بگذار.

**هیچ چیزِ اسرارآمیزی در تصویر نیست.** یک جدولِ عدد است، و شبکه‌ای که در ترمِ ۱ ساختی می‌تواند همین را بگیرد — که در فصلِ ۲ می‌بینیم چرا این کارِ درستی نیست.

**پس شکلِ کاملِ ورودی `N×C×H×W` است:** `batch`، کانال، ارتفاع، عرض. **این چهار حرف را حفظ کن**؛ هر خطای شکلی که در این ترم می‌گیری، با نوشتنِ همین چهارتا حل می‌شود.

## ۳. نرمال‌سازی

</div>

```python
mean, std = Xtr.mean(), Xtr.std()
normed = (Xtr - mean) / std

print("میانگین کل:", round(float(mean), 4), "| انحراف معیار:", round(float(std), 4))
print("بعد از استانداردسازی -> میانگین:", round(float(normed.mean()), 4), "| انحراف:", round(float(normed.std()), 4))
```

<div dir="rtl">

</div>

```text
میانگین کل: 0.2855 | انحراف معیار: 0.3541
بعد از استانداردسازی -> میانگین: -0.0 | انحراف: 1.0
```

<div dir="rtl">

پیکسل‌ها از قبل در بازهٔ ۰ تا ۱ بودند (تقسیم بر ۲۵۵)، ولی میانگینشان ۰٫۲۸ است — **چون بیشترِ تصویر زمینهٔ سیاه است.** استانداردسازی مرکز را به صفر می‌برد.

> ⚠️ **مواظب باش:** **میانگین و انحراف را از دادهٔ آموزش بگیر و همان را روی اعتبارسنجی و آزمون هم به‌کار ببر** — نه اینکه هر مجموعه آمارِ خودش را داشته باشد. این دقیقاً همان نشتیِ سرنخ ترمِ ۳ فصلِ ۴ است، و در کارِ با تصویر چون آمار «بی‌ضرر» به‌نظر می‌رسد، بیشتر پیش می‌آید.

**برای تصویرِ رنگی، آمار را برای هر کانال جدا حساب می‌کنی** — چون کانالِ آبی و قرمز توزیعِ متفاوتی دارند. و اگر از یک مدلِ آماده استفاده می‌کنی، **باید دقیقاً همان آماری را به‌کار ببری که آن مدل با آن آموزش دیده** (فصلِ ۴).

## ۴. آماده کردن برای یک مدلِ آماده

</div>

```python
gray = Xtr[:2]
rgb = gray.repeat(1, 3, 1, 1)
big = torch.nn.functional.interpolate(rgb, size=(224, 224), mode="bilinear", align_corners=False)

print("خاکستری:", tuple(gray.shape), "-> سه‌کاناله:", tuple(rgb.shape), "-> بزرگ‌شده:", tuple(big.shape))
```

<div dir="rtl">

</div>

```text
خاکستری: (2, 1, 28, 28) -> سه‌کاناله: (2, 3, 28, 28) -> بزرگ‌شده: (2, 3, 224, 224)
```

<div dir="rtl">

**دو تبدیل، و هر دو در فصلِ ۴ لازم می‌شوند:**

- **`repeat(1, 3, 1, 1)`** همان کانالِ خاکستری را سه بار تکرار می‌کند. مدل‌های آمادهٔ بینایی روی تصویرِ رنگی آموزش دیده‌اند و سه کانال می‌خواهند. **این کپیِ ساده اطلاعاتِ تازه‌ای اضافه نمی‌کند** — فقط شکل را با انتظارِ مدل جور می‌کند.
- **`interpolate` به ۲۲۴×۲۲۴** چون همان مدل‌ها روی این اندازه آموزش دیده‌اند.

> 📏 **اندازه بگیر:** بزرگ کردنِ ۲۸ به ۲۲۴ **هیچ جزئیاتی اضافه نمی‌کند** — همان اطلاعات را روی شبکهٔ درشت‌تری پخش می‌کند. **پس انتظار نداشته باش مدلِ آماده معجزه کند**؛ در فصلِ ۴ دقیقاً می‌سنجیم که با این محدودیت چقدر خوب کار می‌کند، و جوابش شاید غافلگیرت کند.

> ✅ **چک کن:** بعد از هر تبدیلِ تصویر، **شکل را چاپ کن.** اگر عددِ دوم ۳ نشد، مدل‌های آماده خطای کانال می‌دهند؛ اگر دو عددِ آخر ۲۲۴ نشد، خطای اندازه. **دو ثانیه وقت می‌گیرد و بیشترِ خطاهای این ترم را حذف می‌کند.**

## ۵. جدولِ خطاهای شکل

</div>

| پیامِ خطا | معنی | راهِ حل |
|---|---|---|
| `expected input[…] to have 3 channels but got 1` | تصویرِ خاکستری به مدلِ رنگی | `repeat(1, 3, 1, 1)` |
| `Expected 3D (unbatched) or 4D (batched) input` | بُعدِ کانال یا `batch` جا مانده | `unsqueeze` |
| `Given groups=1, weight of size […]` | تعدادِ کانالِ ورودی با لایه نمی‌خواند | `in_channels` را چک کن |
| `mat1 and mat2 shapes cannot be multiplied` | بعد از `Flatten`، اندازه با `Linear` نمی‌خواند | خروجیِ لایهٔ آخرِ کانولوشن را حساب کن (فصلِ ۳) |

<div dir="rtl">

> 🔧 **اگر کار نکرد:** **تصویر وارونه یا عجیب نمایش داده می‌شود** — احتمالاً `H×W×C` را به `matplotlib` نداده‌ای؛ `image.permute(1, 2, 0)` لازم است. **دانلود گیر کرده** — سلولِ راه‌اندازی را دوباره اجرا کن؛ فایل‌های ناقص با اجرای دوباره تکمیل می‌شوند. **همه‌چیز کند است** — این ترم زیرمجموعهٔ ۴۰۰۰تایی می‌گیرد، نه کلِ ۶۰ هزار؛ اگر کدت را عوض کرده‌ای، همان را برگردان.

> 🤖 **از دستیارت بپرس:** «چرا PyTorch از `C×H×W` استفاده می‌کند در حالی که کتابخانه‌های تصویری معمولاً `H×W×C` دارند؟» **جوابش به نحوهٔ چیده شدنِ داده در حافظه و سرعتِ کانولوشن برمی‌گردد** — و فهمیدنش کمکت می‌کند یادت بماند کدام کدام است. بعد بپرس `permute` و `reshape` چه فرقی دارند؛ **این دو را اشتباه گرفتن، تصویرت را بی‌صدا خراب می‌کند.**

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| channel | چنل | یکی از لایه‌های رنگیِ تصویر |
| C×H×W | — | ترتیبِ ابعادِ تصویر در PyTorch |
| interpolation | اینترپولیشن | تغییرِ اندازهٔ تصویر با محاسبهٔ پیکسل‌های میانی |
| permute | پرمیوت | جابه‌جا کردنِ ترتیبِ ابعاد |

<div dir="rtl">

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: شکلِ یک `batch` از ۳۲ تصویرِ رنگیِ ۶۴×۶۴ چیست؟

**تمرینِ اجباری:** پنج تصویرِ اول را با `matplotlib` نمایش بده، هر کدام با نامِ کلاسش به‌عنوان عنوان. (راهنمایی: `permute` و `cmap="gray"`.) بعد **میانگین و انحرافِ معیارِ هر کلاس را جدا حساب کن** — کدام کلاس تیره‌ترین تصویرها را دارد و چرا منطقی است؟

**تمرینِ ستاره‌دار ⭐:** یک تابعِ `prepare_for_pretrained(images)` بنویس که خاکستری را به سه‌کاناله تبدیل کند، به ۲۲۴×۲۲۴ ببرد، و با میانگین و انحرافِ استانداردِ `ImageNet` نرمال کند (`mean=[0.485, 0.456, 0.406]`، `std=[0.229, 0.224, 0.225]`). **بعد این سؤال را جواب بده: چرا این سه عدد و نه آمارِ خودِ دادهٔ ما؟** جوابش را در فصلِ ۴ تأیید می‌کنی، ولی اول خودت حدس بزن.

## در فصل بعد

تصویر را به شکلِ `tensor` داری. حالا سؤالِ اصلی: **چرا لایهٔ `Linear` که دو ترم به‌کار بردی، برای تصویر ابزارِ اشتباهی است؟** فصلِ بعد جوابش را با شمردنِ پارامترها می‌دهد و بعد `convolution` را از پایه می‌سازد — با کرنلی که خودت مقدارش را می‌گذاری و می‌بینی دقیقاً چه چیزی پیدا می‌کند.

</div>

---
Source: https://yaadestan.com/courses/zharfa/lessons/t3/s01-image-tensor (یادستان, Yaadestan)
