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