图像分类数据集(Fashion-MNIST)
读取数据集有时很让人头疼,尤其不容易明白数据集的结构,多做几次,积累经验
import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import time
import sys
sys.path.append("..")
print(torch.__version__)
print(torchvision.__version__)
2.0.0
0.15.0
获取数据集
首先是下载数据集,存起来,便于我们以后使用
mnist_train = torchvision.datasets.FashionMNIST('Datasets/FashionMNIST', train=True, download=True, transform=transforms.ToTensor())
mnist_test = torchvision.datasets.FashionMNIST(root='Datasets/FashionMNIST', train=False, download=True, transform=transforms.ToTensor())
# 也可以解压缩后使用,如何使用问gpt就好了
mnist_train里面有60000万条元组,每个元组有两个元素,一个是图片的大小,一个是图片的标签
print(type(mnist_train))
print(len(mnist_train), len(mnist_test))
print(len(mnist_train[0]))
print(mnist_train[0][0].shape)
print(mnist_train[0][1])
<class 'torchvision.datasets.mnist.FashionMNIST'>
60000 10000
2
torch.Size([1, 28, 28])
9
feature, label = mnist_train[0]
print(feature.shape, feature.dtype) # Channel x Height X Width
print(label)
torch.Size([1, 28, 28]) torch.float32
9
mnist_PIL = torchvision.datasets.FashionMNIST(root='/Datasets/FashionMNIST', train=True, download=True)
print(type(mnist_PIL))
PIL_feature, label = mnist_PIL[0] # mnist_PIL[0]是训练数据
# feature是图片
print(PIL_feature)
<class 'torchvision.datasets.mnist.FashionMNIST'>
<PIL.Image.Image image mode=L size=28x28 at 0x14D11569DF0>
# 这是十分类问题中的0-10对应的标签
def get_fashion_mnist_labels(labels):
text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
return [text_labels[int(i)] for i in labels]
注意学习这里绘制多图片的技巧
# 本函数已保存在d2lzh包中方便以后使用
def show_fashion_mnist(images, labels):
# d2l.use_svg_display()
# 这里的_表示我们忽略(不使用)的变量
# 创建一个 figs 含有多个子图
_, figs = plt.subplots(1, len(images), figsize=(12, 12))
# 把fig理解为一个数组,第一个元素就是第一个子图~以此类推
for f, img, lbl in zip(figs, images, labels):
f.imshow(img.view((28, 28)).numpy())
f.set_title(lbl)
f.axes.get_xaxis().set_visible(False)
f.axes.get_yaxis().set_visible(False)
plt.show()
X, y = [], []
for i in range(10):
X.append(mnist_train[i][0])
y.append(mnist_train[i][1])
show_fashion_mnist(X, get_fashion_mnist_labels(y))
读取小批量
startswith(‘win’) 检查该字符串是否以 ‘win’ 开头,即是否是 Windows 系统。
如果当前操作系统是 Windows,那么 num_workers 被设置为 0。在 Windows 上,多进程数据加载可能会导致一些问题,因此在这种情况下,通常建议将 num_workers 设置为 0,即不使用额外的进程来加速数据读取。
如果当前操作系统不是 Windows(例如,Linux 或 macOS),那么 num_workers 被设置为 4。在类Unix系统上,使用多进程加载数据通常可以加速数据读取,因为它允许同时加载多个样本,提高了数据加载的效率。这里将 num_workers 设置为 4 意味着使用 4 个额外的进程来并行加载数据
batch_size = 256
if sys.platform.startswith('win'):
num_workers = 0 # 0表示不用额外的进程来加速读取数据
else:
num_workers = 4
train_iter = torch.utils.data.DataLoader(mnist_train, batch_size=batch_size, shuffle=True, num_workers=num_workers)
test_iter = torch.utils.data.DataLoader(mnist_test, batch_size=batch_size, shuffle=False, num_workers=num_workers)
start = time.time()
for X, y in train_iter:
continue
print('%.2f sec' % (time.time() - start))
4.08 sec