图像分类数据集

《动手学深度学习》-3.5-学习笔记

1. # 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式，
2. # 并除以255使得所有像素的数值均在0～1之间
3. 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）。
4. mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)#加载训练数据集
5. 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
     
    
    1. def get_fashion_mnist_labels(labels):
    2.     """返回Fashion-MNIST数据集的文本标签"""
    3.     text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
    4.                    'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    5.     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
        
      • 
        
        
      
      
    
    
  
  

1. def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):
2.     """绘制图像列表"""
3.     figsize = (num_cols * scale, num_rows * scale)
4.     _, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
5.     axes = axes.flatten()
6.     for i, (ax, img) in enumerate(zip(axes, imgs)):
7.         if torch.is_tensor(img):
8.             # 图片张量
9.             ax.imshow(img.numpy())
10.         else:
11.             # PIL图片
12.             ax.imshow(img)
13.         ax.axes.get_xaxis().set_visible(False)
14.         ax.axes.get_yaxis().set_visible(False)
15.         if titles:
16.             ax.set_title(titles[i])
17.     return axes

复制代码

 show_images 是一个用于批量显示图像的工具函数，

1. X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
2. 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

1. batch_size = 256
3. def get_dataloader_workers():  
4.     """使用4个进程来读取数据"""
5.     return 4
7. train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,num_workers=get_dataloader_workers())

复制代码

1. def load_data_fashion_mnist(batch_size, resize=None):
2.     """下载Fashion-MNIST数据集"""
3.     trans = [transforms.ToTensor()]
4.     if resize:
5.         trans.insert(0, transforms.Resize(resize))
6.     trans = transforms.Compose(trans)
7.     mnist_train = torchvision.datasets.FashionMNIST(
8.         root="../data", train=True, transform=trans, download=True)
9.     mnist_test = torchvision.datasets.FashionMNIST(
10.         root="../data", train=False, transform=trans, download=True)
11.     return (data.DataLoader(mnist_train, batch_size, shuffle=True,
12.                             num_workers=get_dataloader_workers()),
13.             data.DataLoader(mnist_test, batch_size, shuffle=False,
14.                             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。