《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
复制代码
- 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。
- 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[3] 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([1, 28, 28]),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)。
-
-
- 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 [text_labels[int(i)] for i in labels]
复制代码 - 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[int(i)] 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
-
- 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[i])
- return axes
复制代码 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));
复制代码 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。
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())
复制代码- def load_data_fashion_mnist(batch_size, resize=None):
- """下载Fashion-MNIST数据集"""
- trans = [transforms.ToTensor()]
- 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()))
复制代码 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。 |