pytorch加载自己本地数据集 深度学习数据预处理

数据集存放

将数据集分类存放,不同类别放在不同目录下,目录名即标签,数据集存放格式如下:
root/ants/001.png
root/ants/002.png
root/ants/003.png

root/bees/001.png
root/bees/002.png
root/bees/003.png

图像数据预处理

1、使用transforms设置图像预处理操作

设置剪裁、缩放、翻转等参数,详细参考链接transforms

# 设置图像数据预处理操作
data_transform = transforms.Compose([
 # 随机缩放剪裁 size 224*224
  transforms.RandomResizedCrop(224),
 # 依概率p水平翻转
  transforms.RandomHorizontalFlip(p=0.5),
 # 转为张量并归一化到[0,1](是将数据除以255),且会把H*W*C会变成C *H *W
  transforms.ToTensor(),
 # 数据归一化处理
  transforms.Normalize
  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
PyTorch是一款用于机器学习的Python库,可以用于训练深度学习模型。在PyTorch中,可以使用DataLoader类来自己的数据集。以下是PyTorch自己数据集的步骤: 1.准备数据:首先需要准备自己的数据集,可以将数据集存储在文件夹中,并且需要将其分为训练集、测试集和验证集。 2.创建Dataset类:使用PyTorch中的Dataset类来存储自己的数据集。需要自定义获取数据的方式,即在 __getitem__ 方法中实现从文件夹中读取数据,以及在 __len__ 方法中实现获取数据集大小。 3.创建DataLoader类:使用PyTorch中的DataLoader类来自己的数据集。使用DataLoader可以对数据进行批处理、shuffle等操作。可以设置batch_size、num_workers等参数。 4.使用DataLoader进行训练:将DataLoader传入模型中进行训练。 例如,以下是一个简单的自己数据集的示例代码: ```python import torch from torch.utils.data import Dataset, DataLoader class CustomDataset(Dataset): def __init__(self, data_path): self.data_path = data_path # 读取数据集 pass def __getitem__(self, index): # 获取索引为index的数据 pass def __len__(self): # 获取数据集大小 pass dataset = CustomDataset(data_path='path/to/data') loader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=4) model = torch.nn.Sequential( # 定义模型结构 ) # 训练模型 for batch in loader: x_batch, y_batch = batch output = model(x_batch) loss = torch.nn.functional.cross_entropy(output, y_batch) loss.backward() ``` 需要注意的是,在实际应用中,还需要对数据进行预处理数据增强等操作。以上仅为一个简单的示例。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值