PyTorch入门学习（五）：torchvision中dataset的使用（以CIFAR10和MNIST为例）_torchvision

总结

• 框架原理真的深入某一部分具体的代码和实现方式时，要多注意到细节，不要只能写出一个框架。

• 算法方面很薄弱的，最好多刷一刷，不然影响你的工资和成功率😯

• 在投递简历之前，最好通过各种渠道找到公司内部的人，先提前了解业务，也可以帮助后期优秀 offer 的决策。

• 要勇于说不，对于某些 offer 待遇不满意、业务不喜欢，应该相信自己，不要因为当下没有更好的 offer 而投降，一份工作短则一年长则 N 年，为了幸福生活要慎重选择！！！

  开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

喜欢这篇文章文章的小伙伴们点赞+转发支持，你们的支持是我最大的动力！

三、测试数据集和数据展示

接下来，从CIFAR10数据集中获取一张图像和其对应的目标标签，以及使用TensorBoard进行数据可视化：

# 测试数据集中第一张图片及其target
img, target = test_data[0]
print(img.shape)
print(target)

writer = SummaryWriter("logs")
for epoch in range(2):
    step = 0
    for data in test_loader:
        imgs, targets = data
        writer.add_images("Epoch:{}".format(epoch), imgs, step)
        step = step + 1
writer.close()

• 从test_data中获取第一张图像和其对应的目标标签。
• 使用SummaryWriter创建一个TensorBoard写入器，以便于数据可视化。
• 通过循环迭代数据批次，将图像数据添加到TensorBoard中，以不同的命名空间标识不同的迭代步骤。

完整代码如下：

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

# 准备测试数据集
# 使用torchvision加载CIFAR10测试数据集，将数据集保存在指定的根目录，并将图像转换为张量形式
test_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch/dataset2", train=False, transform=torchvision.transforms.ToTensor())

# 创建数据加载器
test_loader = DataLoader(dataset=test_data, batch_size=64, shuffle=True, num_workers=0, drop_last=True)

# 测试数据集中第一张图片及其target
img, target = test_data[0]
print(img.shape)
print(target)

# 创建一个TensorBoard写入器，将日志保存到名为"logs"的文件夹
writer = SummaryWriter("logs")

# 迭代两个周期（epochs）
for epoch in range(2):
    step = 0
    # 遍历测试数据加载器
    for data in test_loader:
        imgs, targets = data
        # 添加图像数据到TensorBoard，使用不同的命名空间标识不同的迭代步骤
        writer.add_images("Epoch:{}".format(epoch), imgs, step)
        step = step + 1

# 关闭TensorBoard写入器
writer.close()

参考资料：

视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】

最后

四轮技术面+一轮hr面结束，学习到了不少，面试也是一个学习检测自己的过程，面试前大概复习了 一周的时间，把以前的代码看了一下，字节跳动比较注重算法，面试前刷了下leetcode和剑指offer， 也刷了些在牛客网上的面经。大概就说这些了，写代码去了~

祝大家都能收获大厂offer~

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

篇幅有限，仅展示部分内容