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 =