Pytorch 的数据处理 学习笔记

一. 数据集Dataset

Dataset是一个抽象类，用于表示数据集。可以创建自定义的Dataset类来加载和准备好的数据，无论数据是存储在何处（例如磁盘、内存或其他位置）。PyTorch提供了一些内置的Dataset类，例如TensorDataset、ImageFolder等，也可以根据自己的需求创建自定义的Dataset类。

1.引入Dataset

from torch.utils.data import Dataset

2.（选做）查看Dataset详情

通常情况，我们想看一个大容器中包含哪几个小部分，使用dir(***)，想查看一个具体的工具，使用help(***),所以这里使用help函数

help(Dataset)

实现效果如下（使用jupyter实现，没有安装jupyter可参照上一篇博客）

令一种展现方法

Dataset??

实现效果如下

2.先获取一张图片试试

先使用最基本的python处理图片的库 PIL

首先自己找一张图片，并复制图片的路径，我这里方便起见，使用的是绝对路径

（第一行引入的Dataset，这里可删）

from torch.utils.data import Dataset
from PIL import Image
 
img_Path = "E:\\Python\\study\\sunflower.png"  # 获取图片路径
img = Image.open(img_Path)  # 使用PIL的open方法
img.show()  # 使用show函数查看

运行效果如下

3.获取一整个图片文件夹的图片

首先要有一个文件夹，文件夹中图片

获取一整个文件夹的图片，得找一个方便的工具，就得引入os库了

os库中提供了获取文件夹中所有文件的函数

为便于理解，简单查阅了一下os：

os 库是 Python 标准库之一，提供了与操作系统交互的功能。通过 os 库，你可以执行许多与文件系统、进程管理以及环境变量相关的操作。以下是 os 库的一些主要功能：

1. 文件和目录操作：os 库允许你执行许多文件和目录的操作，如创建、删除、重命名、检查文件或目录是否存在等。

2. 路径操作：os.path 模块提供了一组函数，用于处理文件路径，包括连接路径、获取文件名、获取目录名、判断路径是否为文件或目录等。

3. 环境变量：os.environ 变量提供了一个字典，包含当前进程的环境变量。你可以使用它来获取、设置或操作环境变量。

4. 进程管理：os 库允许你执行一些基本的进程管理操作，如获取当前进程 ID、执行系统命令、获取系统信息等。

5. 权限和权限修改：os 库中的一些函数允许你检查和修改文件和目录的权限，如更改文件的所有者、更改文件权限等。

包含引入os库，总共引入的代码如下：

from torch.utils.data import Dataset
from PIL import Image
import os

以Dataset为对象，创建类

（1）创建init函数

class MyData(Dataset):

创建构造函数

    def __init__(self, root_dir, label_dir):

我的数据集文件结构为

赋初始值，root_dir为数据集中train文件的位置，label_dir为train文件下ants文件的名称，即为ants

        self.root_dir = root_dir
        self.label_dir = label_dir

通过os的join函数将这两个字符串拼接

self.path = os.path.join(self.root_dir, self.label_dir)

os的listdir可以获取文件夹下的文件列表，获取一下文件列表

self.img_path = os.listdir(self.path)

init全部代码

    def __init__(self, root_dir, label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir, self.label_dir)
        self.img_path = os.listdir(self.path)

（2）创建getitem函数

    def __getitem__(self, index):

init函数中获取了文件的列表，可以通过索引获取列表中的某一个文件，因此getitem函数中提供了参数index

img_name = self.img_path[index]

获取了文件名字，然后将这个文件名字与之前的root，label字符串拼接，即为具体图片的路径

img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)

使用PIL库提供的open，获取img对象

img = Image.open(img_item_path)

获取了img对象，每个对象还有相对应的label名称

label = self.label_dir

将img对象和label这两个变量返回

return img, label

getitem全部代码

    def __getitem__(self, index):
        img_name = self.img_path[index]
        img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)
        img = Image.open(img_item_path)
        label = self.label_dir
        return img, label

（3）创建len函数

    def __len__(self):

len函数用于获取文件数目，此处即为文件夹中图片的数目

我们刚才通过os的listdir已经获取了文件列表，只需要返回列表长度即可

        return len(self.img_path)

len函数全部代码

    def __len__(self):
        return len(self.img_path)

（4）变量代入测试

root_dir = "E:\\Python\\study\\ch1\\dataset\\train"
ants_label_dir = "ants_img"
bees_label_dir = "bees_img"
ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)

展示获取的图片，这里我获取ants下的第11张图片（索引从0开始）

我们上面的getitem方法返回的是img和label，然后我们要获取img使用show方法打开图片

获取返回返回值

img, label = ants_dataset[10]

使用img的show验证

img.show()

运行效果如下

（5）文件集拼接

在上面我获取了ants下的图片集，也获取了bees下的图片集，可以相加这两个集中获取所有的图片

train_dataset = ants_dataset + bees_dataset

获取第240张图片（前提是你有这么多），打开验证

img, label = train_dataset[240]
img.show()

测试全部代码

root_dir = "E:\\Python\\study\\ch1\\dataset\\train"
ants_label_dir = "ants_img"
bees_label_dir = "bees_img"
ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)
train_dataset = ants_dataset + bees_dataset
img, label = train_dataset[240]
img.show()

4.处理数据存入txt文件

引入os文件，因为要获取ants中的全部文件列表

定义train所在的路径和下一级存储文件（这里指图片）的文件夹

使用join拼接

随便存了一个值，将target_dir的字符串依据'_'

import os
 
root_dir = 'E:\\Python\\study\\ch1\\dataset\\train'
target_dir = 'ants_img'
img_path = os.listdir(os.path.join(root_dir, target_dir))
label = target_dir.split('_')[0]
out_dir = 'ants_label'
for i in img_path:
    file_name = i.split('.jpg')[0]
    with open(os.path.join(root_dir, out_dir, "{}.txt".format(file_name)), 'w') as f:
        f.write(label)

二. TensorBoard

安装

conda activate tensorboard

引入库

from torch.utils.tensorboard import SummaryWriter

创建summarywriter实例

write = SummaryWriter("logs")

add_scalar用于记录标量数据，而add_image用于记录图像数据

1.add_scalar 打印 y=x 曲线

from torch.utils.tensorboard import SummaryWriter
 
writer = SummaryWriter("../logs")
 
# writer.add_image()\
for i in range(100):
    writer.add_scalar("y=x", i, i)
 
writer.close()

引入依赖，创建writer实例，其中../logs是文件名，我要在上一级目录创建logs文件（在项目目录下创建logs文件），使用循环，标记画图，标签名为y=x，i ,  i表示x,y的值相同。

打开terminal到项目目录下，输入

tensorboard --logdir=logs  --port=6007

logs为项目目录下生成的记录文件夹名称，port为打开所需的端口，不写port则默认打开6006

效果如下

打开网址（我没指定port端口，默认打开6006端口）

整体代码

from torch.utils.tensorboard import SummaryWriter
 
writer = SummaryWriter("../logs")
 
# writer.add_image()\
for i in range(100):
    writer.add_scalar("y=x", i, 2 * i)  # 标签，x,y
 
writer.close()

2.add_image 展示图片步骤

引入依赖，这个的实现，需要将PIL类型的image转换成Numpy类型，因此还要引入numpy

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
import numpy as np

创建writer实例，在项目目录下创建了logs文件夹

writer = SummaryWriter("../logs")

定义图片路径

img_path = "dataset/train/ants_img/0013035.jpg"

有了路径，要获取图片对象

img = Image.open(img_path)

获取的对象为PIL类型，后面的操作需要Numpy类型，因此要转型

img_arr = np.array(img)

使用add_image方法

test为标签名，img_arr为Numpy类型的图片，1为step步数，dataformats是一种相对固定的格式。

writer.add_image("test", img_arr, 1, dataformats="HWC")

最后必须跟上close！否则全部白费

writer.close()

效果如下（我后面有换了张图片，写了个step2，所以会有移动条）

整体代码

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
import numpy as np
 
writer = SummaryWriter("../logs")
img_path = "dataset/train/ants_img/6743948_2b8c096dda.jpg"
img = Image.open(img_path)
img_arr = np.array(img)
writer.add_image("test", img_arr, 2, dataformats="HWC")
writer.close()

三. Transforms

1. 介绍

torchvision.transforms是PyTorch中的一个模块，用于进行图像数据的预处理和增强操作。它提供了一系列的转换函数，可以方便地对图像进行各种处理，如缩放、裁剪、旋转、翻转、归一化等。这些转换可以应用于单张图像或图像数据集，在训练神经网络时特别有用。

主要的功能包括：

1. 图像变换（Image Transformations）：如大小调整、裁剪、旋转、翻转等。这些变换通常用于数据增强，以提高模型的鲁棒性和泛化能力。

2. 数据归一化（Data Normalization）：对图像进行均值和标准差的归一化处理，以便于模型的训练和收敛。

3. 数据类型转换（Data Type Conversion）：将图像数据从PIL Image或NumPy数组转换为Tensor，以便于在PyTorch中使用。

4. 图像增强（Image Augmentation）：如随机裁剪、随机旋转、颜色扰动等，用于增加训练数据的多样性，从而提高模型的泛化能力。

这些transforms可以通过torchvision.transforms.Compose函数将多个转换组合起来，构建一个转换序列，然后应用到图像数据上。这样，可以很方便地对图像数据进行预处理，使其适用于不同的深度学习任务。

2. ToTensor

将PIL格式的图片转化成Tensor格式的图片

引入库

from torchvision import transforms
from PIL import Image

引入图片地址，获取PIL格式的图片

image_path = "dataset/train/ants_img/0013035.jpg"
img_PIL = Image.open(image_path)

创建用于格式转换的转换器工具

trans_tensor = transforms.ToTensor()

格式转换

img_tensor = trans_tensor(img_PIL)

打印验证

print(img_tensor)

效果如下

基本的使用流程（参照土堆）

3. add_image 传入Tensor类型图片

只是把之前的pil转为numpy格式，换成了pil转为Tensor格式

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
from torchvision import transforms
 
writer = SummaryWriter("../logs")
img_path = "dataset/train/bees_img/21399619_3e61e5bb6f.jpg"
img = Image.open(img_path)
tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)
writer.add_image("tensor_img", tensor_img)
writer.close()

运行，使用Tensorboard打开

效果如下

4. normalize

在数据处理中，"normalize" 通常用于将数据重新缩放到一个统一的范围内，以便更好地适应模型的训练或者其他数据处理操作。在 `transform` 中的 `normalize` 函数则是用来实现这个目的的。具体来说，它会将每个特征的数值按照一定的规则进行缩放，通常是将其调整为均值为0，标准差为1的分布，或者将其缩放到某个指定的范围内，比如 [0, 1] 或者 [-1, 1]。这有助于加快模型的收敛速度，并且有时可以提高模型的准确性和稳定性，实现归一化。

重新将代码温故一下

引入依赖，需要pil获取图片，需要使用Tensorboard的summarywriter打印log文件，查看图片，需要使用transform的normalize对图片归一化操作

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

先创建writer实例（logs文件创建在项目文件下）

writer = SummaryWriter("../logs")

先获取图片路径，然后通过PIL的Image的open方法获取图片

img_path = "dataset/train/bees_img/354167719_22dca13752.jpg"
img_PIL = Image.open(img_path)

transform的normalize中要传入Tensor类型的图片，所以要把pil格式的图片转换成Tensor格式

创建转换器然后转换

# ToTensor
trans_util = transforms.ToTensor()
tensor_img = trans_util(img_PIL)

然后将创建normalize工具，对Tensor类型的图片做归一化处理，其中的参数为自定义可改

normalize_util = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
nol_img = normalize_util(tensor_img)

计算公式如下

 

（截自土堆）

执行Tensorboard的add_img操作

writer.add_image('normal_img',nol_img)

最后千万别忘了close！

writer.close()

为了能展示图片变化，我将原本的图片也进行了add_image操作，为了验证上面的运算式，我获取了图片的[0][0][0]位置的值分别处理前后打印

全部代码如下（注意logs文件路径，根据实际情况）

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
 
writer = SummaryWriter("../logs")
img_path = "dataset/train/bees_img/354167719_22dca13752.jpg"
img_PIL = Image.open(img_path)
# ToTensor
trans_util = transforms.ToTensor()
tensor_img = trans_util(img_PIL)
writer.add_image('tensor_img', tensor_img)
# Normalize
print(tensor_img[0][0][0])
normalize_util = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
nol_img = normalize_util(tensor_img)
print(nol_img[0][0][0])
writer.add_image('normal_img',nol_img)
writer.close()

运行，print打印如下

运行Tensorboard

打开页面显示如下

5. resize

在数据处理中，“resize” 通常用于调整图像或数据的尺寸，以适应模型的输入要求或者统一数据的大小。在 transform 中的 resize 函数就是用来实现这个目的的。具体来说，它可以将图像或数据调整为指定的大小，通常是通过插值等方法来改变图像的像素或数据的分辨率，以确保其在训练或处理过程中具有一致的大小。这对于确保模型的输入数据大小一致性是非常重要的，可以使模型更容易地学习到特征并提高模型的准确性。

在上述的代码基础上编写

创建transforms的指定大小图片转化工具，指定宽和高的大小

resize_util = transforms.Resize((512, 512))

使用resize转化器，里面需要传入pil格式的图片！！！不是传Tensor格式！！！

resize_img = resize_util(img_PIL)

经过转化器，返回的还是pil图片

我们想要使用add_image在Tensorboard中展示，首先，add_image中传入的是Tensor类型的图片，所以，要把pil格式的图片转换成Tensor格式的图片

tensor_resize_img = trans_util(resize_img)  # trans_util为toTensor的转换器

执行add_image

writer.add_image('resizeImg', tensor_resize_img)

最后关闭writer

writer.close()

全部代码如下（包括之前）

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
 
writer = SummaryWriter("../logs")
img_path = "dataset/train/bees_img/354167719_22dca13752.jpg"
img_PIL = Image.open(img_path)
# ToTensor
trans_util = transforms.ToTensor()
tensor_img = trans_util(img_PIL)
writer.add_image('tensor_img', tensor_img)
# Normalize
print(tensor_img[0][0][0])
normalize_util = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
nol_img = normalize_util(tensor_img)
print(nol_img[0][0][0])
writer.add_image('normal_img', nol_img)
# Resize
resize_util = transforms.Resize((512, 512))
resize_img = resize_util(img_PIL)
tensor_resize_img = trans_util(resize_img)  # trans_util为toTensor的转换器
writer.add_image('resizeImg', tensor_resize_img)
writer.close()

删除之前的log文件，重新运行

6. RandomCrop

随机裁剪（RandomCrop）是图像处理和计算机视觉任务中常用的技术，特别是在为图像分类或目标检测等任务训练卷积神经网络（CNN）的情境下。

在随机裁剪中，会提取输入图像的随机子区域或裁剪，并将其用作训练样本。这有助于引入训练数据的变化，从而提高模型的鲁棒性和泛化能力。通过在训练过程中随机裁剪图像的不同部分，模型学会关注数据中不同的特征和模式。

随机裁剪通常与其他数据增强技术结合使用，如随机旋转、翻转、缩放和颜色抖动，以进一步增加训练数据的多样性，并增强模型对未见示例的泛化能力。

randomcrop也是transforms中的一个工具，需要创建裁剪实例，然后传入pil的图片，然后会输出pil格式的img

首先引入依赖

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

创建writer实例

writer = SummaryWriter("../logs")

获取图片路径，获取pil图片

img_path = "dataset/train/ants_img/t04f1f9f09c47b6150d.jpg"
img = Image.open(img_path)

然后要剪裁，创建剪裁工具，我设置的是剪裁长宽为200的子图片

crop_util = transforms.RandomCrop(200)

将pil图片剪裁

img_crop = crop_util(img)

我想在Tensorboard中展示图片，需要用到add_image,而add_image里面要传入Tensor格式的图片

因此，首先要将pil转为Tensor图片

tensor_util = transforms.ToTensor()
tensor_img = tensor_util(img_crop)

执行add_image

writer.add_image("tensor_yiLeina", tensor_img)

关闭writer

writer.close()

打开Tensorboard看剪裁图片

效果如下

全部代码

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
 
writer = SummaryWriter("../logs")
img_path = "dataset/train/ants_img/t04f1f9f09c47b6150d.jpg"
img = Image.open(img_path)
# RandomCrop
crop_util = transforms.RandomCrop(200)
img_crop = crop_util(img)
tensor_util = transforms.ToTensor()
tensor_img = tensor_util(img_crop)
writer.add_image("tensor_yiLeina", tensor_img)
writer.close()

7. compose

        在PyTorch中，transforms.Compose是一个类，它接受一个变换操作的列表，并将它们组合成一个单一的可调用对象。当你对数据集应用这个组合的变换时，数据会按照列表中的顺序依次通过每个变换。这使得数据预处理变得既简单又可重复。

        使用transforms.Compose的好处是它提供了一种清晰、模块化的方式来定义数据预处理流程，这有助于代码的维护和复用。此外，它还确保了所有数据都会经过相同的预处理步骤，这对于训练稳定的机器学习模型至关重要。

我们可以自己规划一个操作流程，比如，我规划的是，先将pil的图片resize，然后normalize归一化，然后随机剪裁，最后add_image循环执行十次

代码如下：

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
 
writer = SummaryWriter("../logs")
img_path = "dataset/train/ants_img/t04f1f9f09c47b6150d.jpg"
img = Image.open(img_path)
# 先resize
resize_util = transforms.Resize(600)
# 转换为Tensor
tensor_util = transforms.ToTensor()
# normalize
normalize_util = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
# 然后RandomCrop,循环十次
pil_util = transforms.ToPILImage()
crop_util = transforms.RandomCrop(200)
# 将所有操作整理为compose
compose = transforms.Compose([resize_util, tensor_util, normalize_util, pil_util, crop_util, tensor_util])
for i in range(10):
    compose_image = compose(img)
    writer.add_image("compose_img", compose_image, i)
writer.close()

Tensorboard展示

四. dataset 与 transform

1.数据集下载

此处下载的数据集是cifar10

import torchvision
 
train_set = torchvision.datasets.CIFAR10(root="./data", train=True, download=True)
test_set = torchvision.datasets.CIFAR10(root="./data", train=True, download=True)

运行效果如下

2.打印查看

打印查看数据集第0个元素

print(train_set[0])

结果

使用img，target分别接收，并打印

img, target = train_set[0]

结果

打印查看数据集中的类别

print(train_set.classes)

结果

查看指定target图片类别

print(train_set.classes[target])

结果

全部代码

import torchvision
 
train_set = torchvision.datasets.CIFAR10(root="./data", train=True, download=True)
test_set = torchvision.datasets.CIFAR10(root="./data", train=True, download=True)
print(train_set[0])
print(train_set.classes)
img, target = train_set[0]
print(img)
print(target)
print(train_set.classes[target])
img.show()

运行结果

3. 多图片处理

我的目的是获取包含多个数据的数据集，我们知道里面的图片是pil格式，我想要在Tensorboard中多个图片展示，因此要将数据集全部转换为Tensor格式，这步操作看似要遍历，挨个转化，实则可以一步到位

首先引入依赖

import torchvision
from torch.utils.tensorboard import SummaryWriter

创建writer实例

writer = SummaryWriter("../logs")

创建格式转化器，使用的是compose，里面写了一步Tensor转化

trans_tensor = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])

转化如何使用呢？在下载图片时直接用，添加transform属性，赋值为转化器，此时获取的是转化后的Tensor图片

train_set = torchvision.datasets.CIFAR10(root="./data", train=True, transform=trans_tensor, download=True)
test_set = torchvision.datasets.CIFAR10(root="./data", train=True, transform=trans_tensor, download=True)

我展示前十张图片

for i in range(10):
    img, target = train_set[i]
    writer.add_image("datalist", img, i)

关闭

writer.close()

运行后，Tensorboard展示

全部代码

import torchvision
from torch.utils.tensorboard import SummaryWriter
 
writer = SummaryWriter("../logs")
trans_tensor = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])
train_set = torchvision.datasets.CIFAR10(root="./data", train=True, transform=trans_tensor, download=True)
test_set = torchvision.datasets.CIFAR10(root="./data", train=True, transform=trans_tensor, download=True)
for i in range(10):
    img, target = train_set[i]
    writer.add_image("datalist", img, i)
writer.close()

五. dataloader

DataLoader在PyTorch中扮演着非常关键的角色，它用于封装和管理数据集的加载过程，使数据可以以批量（batch）方式供模型训练使用。这样做有几个主要的好处和功能：

1. 批量加载：DataLoader可以自动将数据分批加载，每一批数据包含多个元素，这对于利用现代计算库（如GPU）进行并行计算非常重要。

2. 多线程/多进程加载：DataLoader支持使用多线程或多进程来并行加载数据，这有助于提高数据加载的效率，尤其是在处理大型数据集时。

3. 数据打乱与采样：在训练过程中，为了保证模型泛化能力，通常需要打乱输入数据的顺序。DataLoader可以自动进行数据的随机打乱。此外，它还支持更复杂的数据采样策略，比如权重采样，这对于处理不平衡数据集特别有用。

4. 与Dataset的集成：DataLoader与PyTorch的Dataset对象紧密集成，可以从任何继承自Dataset的对象中加载数据。这为用户自定义数据加载和预处理提供了极大的灵活性。

5. 自动化的异常处理：在数据加载过程中，DataLoader能够优雅地处理可能发生的各种异常或错误，确保数据加载流程的稳定性。

dataloader主要的参数如下：

1. dataset：这是我们将要载入的数据集。这个数据集应该是继承自torch.utils.data.Dataset的实例，包含了数据及其对应的标签。在你的例子中，test_set就是待加载的数据集。

2. batch_size：这是每个批次包含的数据样本数。这个参数主要是为了利用计算资源进行并行计算。在你的例子中，每个批次将包含64个样本。

3. shuffle：这是一个布尔型参数，用于控制是否在每个训练周期开始时打乱数据的顺序。在训练阶段设置shuffle=True可以帮助模型泛化能力，防止模型记住数据的顺序。然而，在验证和测试阶段，我们通常设为shuffle=False，这样可以使结果的回现性更强。

4. num_workers：这是用于数据加载的子进程数。如果设置为0（如你的例子所示），则数据将在主进程中同步加载。对于大型数据集，设置更多的工作者可以加速数据加载，但也会增加内存用量。

5. drop_last：如果设置为True，那么最后一个不完整的批次（即其样本数少于batch_size的批次）将被丢弃。这个参数在某些情况下会有用，例如，当批次的大小对应用网络的结构有要求时，或者当我们希望所有批次的大小完全相同时。在你的例子中，如果测试集的样本数不是64的倍数，那么最后不完整的那一批次将被丢弃。

引入依赖

import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

获取数据集，因为是测试集，所以train设置为了false

test_set = torchvision.datasets.CIFAR10(root="./data", train=False, transform=torchvision.transforms.ToTensor())

创建dataloader数据加载器

test_loader = DataLoader(dataset=test_set, batch_size=64, shuffle=True, num_workers=0, drop_last=True)

创建writer实例

writer = SummaryWriter("../logs")

循环使用add_images添加图片，注意是add_images，后面有s，因为一次获取的是多个图片

step = 0
for data in test_loader:
    imgs, targets = data
    writer.add_images("loaderImg", imgs, step)
    step = step + 1

关闭writer

writer.close()

Tensorboard查看