赞
踩
主要内容
import torch import torchvision from torch.utils import data from torchvision import transforms from d2l import torch as d2l d2l.use_svg_display() trans = transforms.ToTensor() #返回一个可用的数据集对象 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 ) """ Fashion-MNIST由10个类别的图像组成, 每个类别由训练数据集(train dataset)中的6000张图像 和测试数据集(test dataset)中的1000张图像组成。 因此,训练集和测试集分别包含60000和10000张图像。 测试数据集不会用于训练,只用于评估模型性能。 """ print(len(mnist_train),len(mnist_test)) #每个输入图像的高度和宽度均为28像素。 数据集由灰度图像组成,其通道数为1。 print(mnist_train[0][0].shape) # #@save表明是d2l的内置函数,否则为李沐教学时临时定义的函数。 def get_fashion_mnist_labels(labels): #@save text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat', 'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot'] return [text_labels[int(i)] for i in labels] def show_images(imgs, num_rows, num_cols, titles = None, scale = 1.5):#@save """绘制图像列表""" figsize = (num_cols * scale, num_rows * scale) """ _ 是一个占位符变量,它通常用来表示我们不关心的返回值。 在这种情况下,d2l.plt.subplots() 函数返回一个包含两个元素的元组, 第一个元素是一个 Figure 对象,第二个元素是一个包含多个 Axes 对象的数组。 由于这里的代码仅需要 Axes 对象,因此将 Figure 对象用 _ 占位符忽略掉。 """ _, 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 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)) d2l.plt.show() #可视化展示 #读取小批量 batch_size = 256 def get_dataloader_workers():#@save return 4 train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers() ) #取训练数据所需的时间。 #加载数据的速度应该要比训练的速度快 # timer = d2l.Timer() # for X, y in train_iter: # continue # print(f'{timer.stop():.2f} sec') #用于获取和读取Fashion-MNIST数据集。 这个函数返回训练集和验证集的数据迭代器。 def loda_data_fashion_mnist(batch_size,resize=None):#@save """下载Fashion-MNIST数据集,然后将其加载到内存中""" 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())) #通过指定resize参数来测试load_data_fashion_mnist函数的图像大小调整功能。 train_iter, test_iter = loda_data_fashion_mnist(32,resize=64) for X, y in train_iter: print(X.shape, X.dtype, y.shape, y.dtype) break #torch.Size([32, 1, 64, 64]) torch.float32 torch.Size([32]) torch.int64
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。