为了自动调整输入图像的大小，您需要定义一个所有图像都要经过的预处理管道。这可以通过torchvision.transforms.Compose()（合成文档）来完成。要调整图像的大小，您可以使用torchvision软件包中的torchvision.transforms.Scale()（缩放文档）。
请参阅文档：* 请注意，在文档中，.Scale()已被弃用，应改用.Resize()。* 调整文档大小
这是一个最简单的工作示例：

import torch
from torchvision import transforms

p = transforms.Compose([transforms.Scale((48,48))])

from PIL import Image

img = Image.open('img.jpg')

img.size
# (224, 224) <-- This will be the original dimensions of your image

p(img).size
# (48, 48) <-- This will be the rescaled/resized dimensions of your image

如果你尝试过的代码也是并排给出的，这会有帮助。@blckbird给出的答案似乎是正确的（即，在某个时候你需要转换数据）。
现在需要使用“调整大小”而不是“缩放”。
因此，假设数据的批处理大小为64，有3个通道，大小为128 x128，您需要将其转换为64 x3 x48 x48，则以下代码应该可以完成此操作

trans = transforms.Compose([transforms.Resize(48)])
tData = trans(data)

如果通道和批处理需要被打乱，也可以使用置换。例如，要将通道移到最后，请执行以下操作：

pData = tData.permute([0, 2, 3, 1])

1）

如果你使用transform，你可以简单地使用resize。例如，这段代码将把MNIST数据加载转换成一个32*32的形状（在resize行中）

train_loader = torch.utils.data.DataLoader(
  torchvision.datasets.MNIST('/files/', train=True, download=True,
                             transform=torchvision.transforms.Compose([
                               torchvision.transforms.ToTensor(),
                               torchvision.transforms.Resize(32), # This line
                               torchvision.transforms.Normalize(
                                 (0.1307,), (0.3081,))
                             ])),
  batch_size=batch_size_train, shuffle=True)

2）

如果你只想要一个函数，你可以使用torchvision.transforms.functional.resize(image, size, ...)。其他的答案似乎不赞成。
在Resize Docs中写入
将输入图像的大小调整为给定大小。
参数：

*img（PIL图像或Tensor）-要调整大小的图像。
*size所需的输出大小。如果size是类似（h，w）的序列，则输出大小将与此匹配。如果size是int，则图像的较小边缘将与此数字匹配，并保持纵横比

返回类型：

• 图像或Tensor