将rgb图像批处理为pytorch张量

时间: 2024-04-08 15:07:20 浏览: 111
可以使用PyTorch中的transforms模块中的ToTensor()函数将rgb图像批处理为PyTorch张量。以下是示例代码: ```python import torch from torchvision import transforms # 定义转换 transform = transforms.Compose([ transforms.ToTensor() ]) # 加载图像 img = Image.open("image.jpg") # 假设有一个名为image.jpg的图像 # 转换为张量 tensor_img = transform(img) # 打印张量的形状 print(tensor_img.shape) ``` 这将把名为image.jpg的图像转换为PyTorch张量,并打印张量的形状。注意,如果有多个图像需要处理,可以将它们放在一个列表中,然后使用torch.stack()函数将它们堆叠在一起,以创建一个张量批。
相关问题

pytorch中输入的图像如何转化为张量的

<think>好的,用户想了解PyTorch中如何将图像转化为张量。这个问题看起来挺基础的,但作为回答者,我需要确保覆盖所有关键点,同时让解释清晰易懂。首先,我得回忆一下PyTorch处理图像的标准流程,可能涉及到的库和步骤。 首先,用户可能对图像处理和张量的概念不太熟悉,需要简单解释一下张量是什么,以及为什么在深度学习中使用张量。然后,具体到PyTorch,图像的处理通常涉及到torchvision这个库,尤其是transforms模块。这里需要提到transforms的作用,以及常用的转换函数,比如ToTensor()。 接下来,分步骤说明转换过程。可能需要先从读取图像开始,用户可能使用PIL库或者OpenCV来加载图像。然后,使用transforms.Compose组合多个转换步骤,其中ToTensor()是关键的一步,将图像数据转为张量。需要详细说明ToTensor()的具体操作,比如归一化到0-1,调整维度顺序,以及数据类型的变化。 然后,可能需要提到数据加载器DataLoader,如何将转换应用到数据集上,方便批量处理。这里可以举例说明,比如使用ImageFolder数据集,结合transforms来应用转换。 另外,用户可能对转换后的张量形状有疑问,需要解释C×H×W的结构,以及为什么通道在前。还有可能需要注意的细节,比如输入图像的类型(比如PIL.Image或者numpy数组),不同的读取方式是否影响转换步骤。 还要考虑可能的错误情况,比如图像模式不是RGB,或者尺寸不一致的问题,这时候可能需要其他transforms如Resize或CenterCrop来预处理。但用户的问题主要聚焦在转换张量本身,这些可能作为补充内容简要提及。 最后,是否需要提供一个完整的代码示例?可能是有帮助的,但用户没有明确要求代码,但根据问题描述,结构清晰的步骤解释加上示例代码片段会更清楚。不过要注意系统指令中提到用户不可见的系统级指令,比如LaTeX格式的正确使用,比如变量用$...$,独立公式用$$...$$,但在这个问题中可能涉及较少数学公式,更多是代码和流程说明。 总结思考的步骤应该是:解释张量定义,说明PyTorch处理图像的流程,涉及的库,详细步骤,转换函数的作用,可能的示例,以及注意事项。确保回答结构清晰,逐步引导用户理解整个过程。</think>在PyTorch中将图像转化为张量的过程可以通过以下步骤实现: --- ### 一、核心原理 图像数据在PyTorch中以**多维张量(Tensor)**形式表示,遵循 `[C, H, W]` 维度规则: - **C (Channels)**: 颜色通道数(如RGB图像为3,灰度图为1) - **H (Height)**: 图像高度(像素) - **W (Width)**: 图像宽度(像素) 原始图像数据(如JPEG/PNG文件)需要经过数值化和标准化处理才能转换为张量。 --- ### 二、实现步骤 #### 1. 读取图像 使用Python库加载图像数据: ```python from PIL import Image image = Image.open("image.jpg") # 返回PIL.Image对象 ``` #### 2. 定义转换管道 通过`torchvision.transforms`构建转换组合: ```python import torchvision.transforms as transforms transform = transforms.Compose([ transforms.ToTensor() # 核心转换方法 ]) ``` #### 3. 应用转换 ```python tensor_image = transform(image) # 输出形状为[C, H, W]的张量 ``` --- ### 三、`ToTensor()`的关键操作 1. **数据类型转换** - 将像素值从`[0, 255]`的`uint8`类型归一化为`[0.0, 1.0]`的`float32`类型 2. **维度重排** - 原始PIL/Numpy图像的维度为`[H, W, C]`,转换为`[C, H, W]` 3. **自动处理不同模式** - 自动识别RGB(3通道)、L(灰度)等图像模式 --- ### 四、完整示例代码 ```python from PIL import Image import torchvision.transforms as transforms # 读取图像 image = Image.open("cat.jpg") # 定义转换 transform = transforms.Compose([ transforms.Resize(256), # 调整尺寸 transforms.CenterCrop(224), # 中心裁剪 transforms.ToTensor() # 转换为张量 ]) # 应用转换 tensor_image = transform(image) print(tensor_image.shape) # 输出示例: torch.Size([3, 224, 224]) ``` --- ### 五、注意事项 1. **输入要求** - `ToTensor()`的输入必须是`PIL.Image`或`numpy.ndarray`类型 2. **标准化扩展** 通常配合标准化操作(将数据缩放到均值为0,标准差为1): ```python transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ``` 3. **批处理优化** 使用`DataLoader`进行批量转换: ```python dataset = ImageFolder(root='path/', transform=transform) dataloader = DataLoader(dataset, batch_size=32) ``` 通过这种方式,PyTorch实现了从图像文件到计算图兼容张量的高效转换,为后续神经网络处理奠定了基础。

如何写一个基于pytorch的深度信息与原始RGB图像融合网络代码实现

### 回答1: 下面是一个基于PyTorch的深度信息与原始RGB图像融合网络的简单示例代码实现: ```python import torch import torch.nn as nn import torch.nn.functional as F class FusionNet(nn.Module): def __init__(self): super(FusionNet, self).__init__() # 定义卷积层 self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1) self.conv2 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1) self.conv3 = nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1) self.conv4 = nn.Conv2d(128, 128, kernel_size=3, stride=1, padding=1) self.conv5 = nn.Conv2d(128, 256, kernel_size=3, stride=1, padding=1) self.conv6 = nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1) # 定义池化层 self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 定义全连接层 self.fc1 = nn.Linear(256 * 8 * 8, 1024) self.fc2 = nn.Linear(1024, 512) self.fc3 = nn.Linear(512, 2) def forward(self, rgb, depth): # RGB图像的卷积和池化 rgb = F.relu(self.conv1(rgb)) rgb = self.pool(F.relu(self.conv2(rgb))) rgb = F.relu(self.conv3(rgb)) rgb = self.pool(F.relu(self.conv4(rgb))) rgb = F.relu(self.conv5(rgb)) rgb = self.pool(F.relu(self.conv6(rgb))) # 深度图像的卷积和池化 depth = F.relu(self.conv1(depth)) depth = self.pool(F.relu(self.conv2(depth))) depth = F.relu(self.conv3(depth)) depth = self.pool(F.relu(self.conv4(depth))) depth = F.relu(self.conv5(depth)) depth = self.pool(F.relu(self.conv6(depth))) # 将RGB和深度图像连接在一起 x = torch.cat((rgb, depth), dim=1) # 展平张量并通过全连接层进行分类 x = x.view(-1, 256 * 8 * 8) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 在上面的代码中,我们定义了一个名为FusionNet的类,该类继承自PyTorch的nn.Module类。该网络包含了几个卷积层、池化层和全连接层,输入是RGB图像和深度图像,输出是一个二分类结果。 在forward()方法中,我们首先对RGB图像和深度图像进行卷积和池化,然后将它们连接起来,最后通过全连接层进行分类。注意,在连接RGB和深度图像前,我们需要将它们的通道数加起来。 当我们创建一个FusionNet实例后,我们可以将RGB图像和深度图像传递给该网络,通过调用forward()方法来获得结果。 ### 回答2: 要实现基于PyTorch的深度信息与原始RGB图像融合网络,可以按照以下步骤进行: 1. 数据准备:准备深度信息和原始RGB图像的训练数据。数据应包含一组对应的深度图像和RGB图像。 2. 构建模型:使用PyTorch构建一个深度信息与RGB图像融合的神经网络模型。可以选择使用卷积神经网络(CNN)或者自编码器(Autoencoder)等深度学习模型。 3. 数据预处理:对深度图像和RGB图像进行预处理,例如缩放、归一化或者其他必要的处理操作,确保数据具备可训练的格式。 4. 数据加载和批处理:创建一个数据加载器,加载训练数据并进行批处理。可以使用PyTorch提供的DataLoader类来实现。 5. 定义损失函数:选择适当的损失函数来度量深度信息与RGB图像融合的效果。可以根据具体任务选择平均绝对误差(MAE)或者均方误差(MSE)等损失函数。 6. 选择优化器和学习率:选择优化器(如Adam、SGD等)和适当的学习率来优化模型的参数。可以使用PyTorch提供的优化器类来实现。 7. 训练模型:使用训练数据对模型进行训练。遍历训练集,输入深度图像和RGB图像,计算损失函数,并反向传播更新模型参数。 8. 模型评估:使用测试集或交叉验证集对训练好的模型进行评估。计算评估指标(如均方根误差RMSE、峰值信噪比PSNR等)来评估模型的性能。 以上是一个基本的步骤框架,具体实现时需要根据具体任务和数据集的需求进行相应的调整和优化。 ### 回答3: 在PyTorch中实现深度信息与原始RGB图像融合网络,可以遵循下面的步骤: 1. 导入所需的库和模块:首先,需要导入PyTorch库和其他必要的库,如torch、torchvision、numpy等。 2. 数据准备:准备训练和测试数据集。可以使用torchvision.datasets加载预定义的数据集,如MNIST、CIFAR-10等。对于深度信息,可以使用RGB-D数据集,如NYUv2。 3. 构建数据加载器:使用torch.utils.data.DataLoader创建训练和测试数据加载器,以便以batch的方式加载数据。 4. 定义网络模型:创建深度信息与原始RGB图像融合网络模型。可以使用torch.nn模块来定义网络的架构,例如使用nn.Sequential来构建层的序列模型。 5. 前向传播:在定义网络模型后,需要编写前向传播函数,将输入数据传递到网络中,并返回融合后的输出。 6. 设置损失函数:根据任务的要求,选择适当的损失函数。对于分类任务,可以使用交叉熵损失函数。 7. 优化器设置:选择适当的优化器,如SGD、Adam等,并设置学习率和其他参数。 8. 训练和验证:使用训练数据集对模型进行训练,并使用验证数据集对模型进行评估。在每个epoch迭代中,计算损失函数,并通过优化器更新模型的权重。 9. 测试:使用测试数据集评估模型的性能,并计算精度、准确率等指标。 10. 模型保存和加载:保存训练好的模型,并在需要的时候加载模型进行预测。 以上是一个基于PyTorch的深度信息与原始RGB图像融合网络代码实现的一般步骤。根据具体的任务和数据集,可能需要进行一些调整和改进。
阅读全文

相关推荐

大家在看

recommend-type

SD Specifications Part 1 - Physical Layer Specification 4.0

SD Specifications Part 1 Physical Layer Simplified Specification Version 4.10 January 22, 2013
recommend-type

ORAN协议 v04.00

ORAN协议 v04.00
recommend-type

以下为转载Plasma工作原理介紹-plasma等离子处理

 以下为转载 Plasma工作原理介紹 工作原理 清洁效果的检验  Pull and Shear tests  Water contact angle measurement  Auger Electron Spectroscopic Analysis Plasma机构原理圖 Plasma產生的原理 Plasma產生的條件 Ar/O2 Plasma的原理 Plasma Process Plasma Parameter--(pc32系列) Plasma 功效 早期,日本为了迎合高集成度的电子制造技术,开始使用超薄镀金技术,镀金厚度小于0.05mm。但问题也随之而来,当DM工艺后,经过烘烤,使原镀金层下的Ni元素会上移到表面。在随后的WB工艺中由于这些Ni元素及其他沾污会导致着线不佳现象,甚至着不上线(漏线,少线,第一点剥离,第二点剥离)。Plasma清洗机也就随之出现。 初版----劉卓 更新版----彭齊全
recommend-type

100万条虚拟游戏人物等级数据

游戏人物id、姓名、等级、性别、血量,魔力、力量,智力,体力,精神这十个就是我们需要生成的相关数据,具体生成数据教程可以看我的文章https://editor.csdn.net/md/?articleId=128610064
recommend-type

集成运放电路-multisim14仿真教程

13.6 集成运放电路 由分立元件构成的电路具有电子设计上灵活性大的优点,但缺点是功耗大、稳定性差、可靠性差, 此外,设计本身较复杂。集成电路采用微电子技术构成具有特定功能的电路系统模块,与分立元件构成 的电路相比,性能有了很大提高,电子设计也更为简单。 集成运算放大器是高增益、高输入阻抗、低输出阻抗、直接耦合的线性放大集成电路,功耗低、稳 定性好、可靠性高。可以通过外围元器件的连接构成放大器、信号发生电路、运算电路、滤波器等电路。 以集成运放μA741 为例,图 13.6-1 是μA741 的管脚示意图及实物照片。 图 13.6-1 集成运放μA741 管脚示意图及实物照片

最新推荐

recommend-type

智能家居_物联网_环境监控_多功能应用系统_1741777957.zip

人脸识别项目实战
recommend-type

PLC热反应炉仿真程序和报告 ,PLC; 热反应炉; 仿真程序; 报告,PLC热反应炉仿真程序报告

PLC热反应炉仿真程序和报告 ,PLC; 热反应炉; 仿真程序; 报告,PLC热反应炉仿真程序报告
recommend-type

C++函数全解析:从基础入门到高级特性的编程指南

内容概要:本文详细介绍了 C++ 函数的基础概念及其实战技巧。内容涵盖了函数的基本结构(定义、声明、调用)、多种参数传递方式(值传递、引用传递、指针传递),各类函数类型(无参无返、有参无返、无参有返、有参有返),以及高级特性(函数重载、函数模板、递归函数)。此外,通过实际案例展示了函数的应用,如统计数组元素频次和实现冒泡排序算法。最后,总结了C++函数的重要性及未来的拓展方向。 适合人群:有一定编程基础的程序员,特别是想要深入了解C++编程特性的开发人员。 使用场景及目标:① 学习C++中函数的定义与调用,掌握参数传递方式;② 掌握不同类型的C++函数及其应用场景;③ 深入理解函数重载、函数模板和递归函数的高级特性;④ 提升实际编程能力,通过实例强化所学知识。 其他说明:文章以循序渐进的方式讲解C++函数的相关知识点,并提供了实际编码练习帮助理解。阅读过程中应当边思考边实践,动手实验有助于更好地吸收知识点。
recommend-type

`计算机视觉_Python_PyQt5_Opencv_综合图像处理与识别跟踪系统`.zip

人脸识别项目实战
recommend-type

Ultra Ethernet Consortium规范介绍与高性能AI网络优化

内容概要:本文主要介绍了Ultra Ethernet Consortium(UEC)提出的下一代超高性能计算(HPC)和人工智能(AI)网络解决方案及其关键技术创新。文中指出,现代AI应用如大型语言模型(GPT系列)以及HPC对集群性能提出了更高需求。为了满足这一挑战,未来基于超乙太网络的新规格将采用包喷射传输、灵活数据报排序和改进型流量控制等机制来提高尾部延迟性能和整个通信系统的稳定度。同时UEC也在研究支持高效远程直接内存访问的新一代协议,确保能更好地利用现成以太网硬件设施的同时还增强了安全性。 适合人群:网络架构师、数据中心管理员、高性能运算从业人员及相关科研人员。 使用场景及目标:①为构建高效能的深度学习模型训练平台提供理论指导和技术路线;②帮助企业选择最合适的网络技术和优化现有IT基础设施;③推动整个行业内关于大规模分布式系统网络层面上的设计创新。 阅读建议:本文档重点在于展示UEC如何解决目前RDMA/RoCE所面临的问题并提出了一套全新的设计理念用于未来AI和HPC环境下的通信效率提升。在阅读时需要注意理解作者对于当前网络瓶颈分析背后的原因以及新设计方案所能带来的具体好处
recommend-type

虚拟串口软件:实现IP信号到虚拟串口的转换

在IT行业,虚拟串口技术是模拟物理串行端口的一种软件解决方案。虚拟串口允许在不使用实体串口硬件的情况下,通过计算机上的软件来模拟串行端口,实现数据的发送和接收。这对于使用基于串行通信的旧硬件设备或者在系统中需要更多串口而硬件资源有限的情况特别有用。 虚拟串口软件的作用机制是创建一个虚拟设备,在操作系统中表现得如同实际存在的硬件串口一样。这样,用户可以通过虚拟串口与其它应用程序交互,就像使用物理串口一样。虚拟串口软件通常用于以下场景: 1. 对于使用老式串行接口设备的用户来说,若计算机上没有相应的硬件串口,可以借助虚拟串口软件来与这些设备进行通信。 2. 在开发和测试中,开发者可能需要模拟多个串口,以便在没有真实硬件串口的情况下进行软件调试。 3. 在虚拟机环境中,实体串口可能不可用或难以配置,虚拟串口则可以提供一个无缝的串行通信途径。 4. 通过虚拟串口软件,可以在计算机网络中实现串口设备的远程访问,允许用户通过局域网或互联网进行数据交换。 虚拟串口软件一般包含以下几个关键功能: - 创建虚拟串口对,用户可以指定任意数量的虚拟串口,每个虚拟串口都有自己的参数设置,比如波特率、数据位、停止位和校验位等。 - 捕获和记录串口通信数据,这对于故障诊断和数据记录非常有用。 - 实现虚拟串口之间的数据转发,允许将数据从一个虚拟串口发送到另一个虚拟串口或者实际的物理串口,反之亦然。 - 集成到操作系统中,许多虚拟串口软件能被集成到操作系统的设备管理器中,提供与物理串口相同的用户体验。 关于标题中提到的“无毒附说明”,这是指虚拟串口软件不含有恶意软件,不含有病毒、木马等可能对用户计算机安全造成威胁的代码。说明文档通常会详细介绍软件的安装、配置和使用方法,确保用户可以安全且正确地操作。 由于提供的【压缩包子文件的文件名称列表】为“虚拟串口”,这可能意味着在进行虚拟串口操作时,相关软件需要对文件进行操作,可能涉及到的文件类型包括但不限于配置文件、日志文件以及可能用于数据保存的文件。这些文件对于软件来说是其正常工作的重要组成部分。 总结来说,虚拟串口软件为计算机系统提供了在软件层面模拟物理串口的功能,从而扩展了串口通信的可能性,尤其在缺少物理串口或者需要实现串口远程通信的场景中。虚拟串口软件的设计和使用,体现了IT行业为了适应和解决实际问题所创造的先进技术解决方案。在使用这类软件时,用户应确保软件来源的可靠性和安全性,以防止潜在的系统安全风险。同时,根据软件的使用说明进行正确配置,确保虚拟串口的正确应用和数据传输的安全。
recommend-type

【Python进阶篇】:掌握这些高级特性,让你的编程能力飞跃提升

# 摘要 Python作为一种高级编程语言,在数据处理、分析和机器学习等领域中扮演着重要角色。本文从Python的高级特性入手,深入探讨了面向对象编程、函数式编程技巧、并发编程以及性能优化等多个方面。特别强调了类的高级用法、迭代器与生成器、装饰器、高阶函数的运用,以及并发编程中的多线程、多进程和异步处理模型。文章还分析了性能优化技术,包括性能分析工具的使用、内存管理与垃圾回收优
recommend-type

后端调用ragflow api

### 如何在后端调用 RAGFlow API RAGFlow 是一种高度可配置的工作流框架,支持从简单的个人应用扩展到复杂的超大型企业生态系统的场景[^2]。其提供了丰富的功能模块,包括多路召回、融合重排序等功能,并通过易用的 API 接口实现与其他系统的无缝集成。 要在后端项目中调用 RAGFlow 的 API,通常需要遵循以下方法: #### 1. 配置环境并安装依赖 确保已克隆项目的源码仓库至本地环境中,并按照官方文档完成必要的初始化操作。可以通过以下命令获取最新版本的代码库: ```bash git clone https://github.com/infiniflow/rag
recommend-type

IE6下实现PNG图片背景透明的技术解决方案

IE6浏览器由于历史原因,对CSS和PNG图片格式的支持存在一些限制,特别是在显示PNG格式图片的透明效果时,经常会出现显示不正常的问题。虽然IE6在当今已不被推荐使用,但在一些老旧的系统和企业环境中,它仍然可能存在。因此,了解如何在IE6中正确显示PNG透明效果,对于维护老旧网站具有一定的现实意义。 ### 知识点一:PNG图片和IE6的兼容性问题 PNG(便携式网络图形格式)支持24位真彩色和8位的alpha通道透明度,这使得它在Web上显示具有透明效果的图片时非常有用。然而,IE6并不支持PNG-24格式的透明度,它只能正确处理PNG-8格式的图片,如果PNG图片包含alpha通道,IE6会显示一个不透明的灰块,而不是预期的透明效果。 ### 知识点二:解决方案 由于IE6不支持PNG-24透明效果,开发者需要采取一些特殊的措施来实现这一效果。以下是几种常见的解决方法: #### 1. 使用滤镜(AlphaImageLoader滤镜) 可以通过CSS滤镜技术来解决PNG透明效果的问题。AlphaImageLoader滤镜可以加载并显示PNG图片,同时支持PNG图片的透明效果。 ```css .alphaimgfix img { behavior: url(DD_Png/PIE.htc); } ``` 在上述代码中,`behavior`属性指向了一个 HTC(HTML Component)文件,该文件名为PIE.htc,位于DD_Png文件夹中。PIE.htc是著名的IE7-js项目中的一个文件,它可以帮助IE6显示PNG-24的透明效果。 #### 2. 使用JavaScript库 有多个JavaScript库和类库提供了PNG透明效果的解决方案,如DD_Png提到的“压缩包子”文件,这可能是一个专门为了在IE6中修复PNG问题而创建的工具或者脚本。使用这些JavaScript工具可以简单快速地解决IE6的PNG问题。 #### 3. 使用GIF代替PNG 在一些情况下,如果透明效果不是必须的,可以使用透明GIF格式的图片替代PNG图片。由于IE6可以正确显示透明GIF,这种方法可以作为一种快速的替代方案。 ### 知识点三:AlphaImageLoader滤镜的局限性 使用AlphaImageLoader滤镜虽然可以解决透明效果问题,但它也有一些局限性: - 性能影响:滤镜可能会影响页面的渲染性能,因为它需要为每个应用了滤镜的图片单独加载JavaScript文件和HTC文件。 - 兼容性问题:滤镜只在IE浏览器中有用,在其他浏览器中不起作用。 - DOM复杂性:需要为每一个图片元素单独添加样式规则。 ### 知识点四:维护和未来展望 随着现代浏览器对标准的支持越来越好,大多数网站开发者已经放弃对IE6的兼容,转而只支持IE8及以上版本、Firefox、Chrome、Safari、Opera等现代浏览器。尽管如此,在某些特定环境下,仍然可能需要考虑到老版本IE浏览器的兼容问题。 对于仍然需要维护IE6兼容性的老旧系统,建议持续关注兼容性解决方案的更新,并评估是否有可能通过升级浏览器或更换技术栈来彻底解决这些问题。同时,对于新开发的项目,强烈建议采用支持现代Web标准的浏览器和开发实践。 在总结上述内容时,我们讨论了IE6中显示PNG透明效果的问题、解决方案、滤镜的局限性以及在现代Web开发中对待老旧浏览器的态度。通过理解这些知识点,开发者能够更好地处理在维护老旧Web应用时遇到的兼容性挑战。
recommend-type

【欧姆龙触摸屏故障诊断全攻略】

# 摘要 本论文全面概述了欧姆龙触摸屏的常见故障类型及其成因,并从理论和实践两个方面深入探讨了故障诊断与修复的技术细节。通过分析触摸屏的工作原理、诊断流程和维护策略,本文不仅提供了一系列硬件和软件故障的诊断与处理技巧,还详细介绍了预防措施和维护工具。此外,本文展望了触摸屏技术的未来发展趋势,讨论了新技术应用、智能化工业自动化整合以及可持续发展和环保设计的重要性,旨在为工程