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

准备测试数据集

test_data = torchvision.datasets.CIFAR10(root=“D:\Python_Project\pytorch/dataset2”, train=False, transform=torchvision.transforms.ToTensor())

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

* `torchvision.datasets.CIFAR10`用于加载CIFAR10数据集，其中`root`参数指定了数据集的根目录，`train`参数设置为`False`表示加载测试数据集，`transform`参数将图像转换为张量格式。
* `DataLoader`用于将数据集分成小批次，以便于模型训练。在示例中，设置了每批包含64张图像，启用了数据的随机顺序洗牌，并设置`num_workers`为0以避免并行处理。


#### 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

文末

篇幅有限没有列举更多的前端面试题，小编把整理的前端大厂面试题PDF分享出来，一共有269页

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】