图像分类数据集
《动手学深度学习》-3.5-学习笔记# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式，
# 并除以255使得所有像素的数值均在0～1之间
trans = transforms.ToTensor()#用于将图像数据从 PIL 图像格式（Python Imaging Library，Python 的图像处理库）转换为 PyTorch 张量（Tensor）。
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)#加载训练数据集
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)#加载测试数据集
[*] torchvision.datasets.FashionMNIST 是 PyTorch 提供的用于加载 FashionMNIST 数据集的类。
[*] 参数表明：
[*] root="../data"：指定命据集的存储路径。如果数据集不存在，PyTorch 会自动下载到这个路径。
[*] train=True：表现加载训练数据集。
[*] transform=trans：指定对图像数据应用的预处理操作，这里是 transforms.ToTensor()，即将图像转换为归一化的张量。
[*] download=True：如果指定路径下没有数据集，会自动从网络下载。https://i-blog.csdnimg.cn/direct/756e4989b2ff430bbcc51f023fdd1d1c.png
[*] 相识基础情况：在 PyTorch 中，mnist_train 是一个 torchvision.datasets.FashionMNIST 数据集对象，它是一个可迭代的聚集，包罗了全部训练样本的图像和标签。mnist_train 表现获取数据集中的第四个样本（索引从 0 开始），包罗第四个样本的图像和标签。
[*] image.shape 输出 torch.Size()，表现图像是一个张量（Tensor），形状为：
[*] 1：表现图像有 1 个通道（灰度图）。
[*] 28：图像的宽度为 28 像素。
[*] 28：图像的高度为 28 像素。
[*] label 输出的是一个整数，表现图像的种别标签。FashionMNIST 数据集有 10 个种别，每个种别对应一个整数标签（从 0 到 9）。
https://i-blog.csdnimg.cn/direct/5394ab6be4b04372ae496bf2ecc4d10e.png
[*]
[*] https://i-blog.csdnimg.cn/direct/7c5d35683990466296ec4ffb9c24328d.pnghttps://i-blog.csdnimg.cn/direct/9c3babf6ce7c4baf85d576ab35bcab82.png
[*] 打印出来看了一下
def get_fashion_mnist_labels(labels):
"""返回Fashion-MNIST数据集的文本标签"""
text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
return for i in labels]
[*] 这是一个列表推导式，用于将输入的整数标签列表 labels 转换为对应的文本标签列表。
[*] 对于 labels 中的每个元素 i：
[*] int(i) 确保 i 是整数（虽然通常 labels 已经是整数，但这里加了保险）。
[*] text_labels 从 text_labels 列表中获取对应的文本标签。
对text_labels
[*] 列表的索引（从 0 到 9）对应于数据集中的整数标签。比方：
[*] 0 对应 't-shirt'
[*] 1 对应 'trouser'
[*] 9 对应 'ankle boot'
下面这段 仅仅是 使用这个函数，应用场景
[*] https://i-blog.csdnimg.cn/direct/e72069cb7bab47e3ab404f104afa9dfe.png
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):
"""绘制图像列表"""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量
ax.imshow(img.numpy())
else:
# PIL图片
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles)
return axes show_images 是一个用于批量显示图像的工具函数，
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y)); 从 FashionMNIST 数据集中加载一批图像，使用 show_images 函数将图像以 2 行 9 列的网格形式显示，并为每张图像添加文本标签。
https://i-blog.csdnimg.cn/direct/5dbed83e273043a4b68de4ebef6b095c.png
创建Dataloader
batch_size = 256
def get_dataloader_workers():
"""使用4个进程来读取数据"""
return 4
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,num_workers=get_dataloader_workers()) def load_data_fashion_mnist(batch_size, resize=None):
"""下载Fashion-MNIST数据集"""
trans =
if resize:
trans.insert(0, transforms.Resize(resize))
trans = transforms.Compose(trans)
mnist_train = torchvision.datasets.FashionMNIST(
root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(
root="../data", train=False, transform=trans, download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True,
num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False,
num_workers=get_dataloader_workers())) 用于下载并加载 FashionMNIST 数据集，并将其转换为适合训练和测试的 DataLoader 对象。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]