Pytorch深度学习_torchvision中的数据集使用

今天复习torchvision中的数据集使用

在PyTorch中，torchvision是一个用于计算机视觉任务的库，它提供了许多预定义的数据集和数据转换工具。

现在开始：

import torchvision  # 导入torchvision库，用于处理图像数据集
from torch.utils.tensorboard import SummaryWriter  # 导入SummaryWriter，用于写入TensorBoard日志

# 定义数据集的转换操作，这里只使用了ToTensor()，将PIL图像或Numpy数组转换为Tensor
dataset_transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])

# 加载训练集，指定数据集存放的文件夹，是否为训练集，转换操作，以及是否下载数据集（如果本地没有的话）
train_set = torchvision.datasets.CIFAR10("./dataset", train=True, transform=dataset_transform, download=True)

# 加载测试集，与训练集类似，但是指定train=False，表示加载测试数据
test_set = torchvision.datasets.CIFAR10("./dataset", train=False, transform=dataset_transform, download=True)

# 创建一个SummaryWriter实例（它将信息写入TensorBoard日志文件），指定日志存放的文件夹名称
writer = SummaryWriter("logs")

# 遍历测试集中的前10个样本
for i in range(10):
    # 从数据集中获取第i个样本的图像和标签
    img, target = test_set[i]
    
    # 使用SummaryWriter的add_image方法将图像添加到TensorBoard日志中，"test_set"是标签，img是图像，i是全局步骤计数器
    writer.add_image("test_set", img, i)

# 可以通过下面的代码打印出数据集中的某个样本的图像和标签信息
# print(test_set[0])
# print(test_set.classes)
# img, target = train_set[0]
# print(img)
# print(target)
# print(test_set.classes[target])
# img.show()

# 关闭SummaryWriter，确保所有日志数据都被写入
writer.close()

运行代码，这里我并没有提前下载数据集，所以他在网上下载了，并解压到指定的本地路径"./dataset"

然后我们在python终端中输入

tensorboard --logdir=logs 

 (注意如果以上口令得到的链接无法生成图像的话，就像我一样改成内容根路径，这里TransBoard无法生成图像的问题我在前面的文章有解决方法)

终端输入口令后得到下面结果

打开给的网页链接即可得到图像