Fashion-MNIST数据集
数据集简介
MNIST数据集 [LeCun et al., 1998] 是图像分类中⼴泛使⽤的数据集之⼀,但作为基准数据集过于简单。我们
将使⽤类似但更复杂的Fashion-MNIST数据集 [Xiao et al., 2017]。
Fashion-MNIST由10个类别的图像组成,每个类别由训练数据集(train dataset)中的6000张图像和测试数据
集(test dataset)中的1000张图像组成。因此,训练集和测试集分别包含60000和10000张图像。测试数据集
不会⽤于训练,只⽤于评估模型性能。
每个输⼊图像的高度和宽度均为28像素。数据集由灰度图像组成,其通道数为1。
Fashion-MNIST中包含的10个类别,分别为t-shirt(T恤)、trouser(裤⼦)、pullover(套衫)、dress(连⾐
裙)、coat(外套)、sandal(凉鞋)、shirt(衬衫)、sneaker(运动鞋)、bag(包)和ankle boot(短靴)。
小试牛刀版1.0
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
import matplotlib.pyplot as plt
import time
class Timer:
def __init__(self):
self.times = []
self.tik = None
self.start()
def start(self):
self.tik = time.time()
def stop(self):
self.times.append(time.time() - self.tik)
return self.times[-1]
def avg(self):
return sum(self.times) / len(self.times)
def sum(self):
return sum(self.times)
def cumsum(self):
return np.array(self.times).cumsum().tolist()
# step 1 读取数据集
# 通过ToTensor实例将图像数据从PIL类型转化成32位浮点数格式,并除以255是的所有像素数值在01之间
trans = transforms.ToTensor()
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)
print(len(mnist_train), len(mnist_test))
print(mnist_train[0][0].shape)
# print(mnist_train[0])
# print(mnist_train[0][0])
# 在数字标签索引及其文本名称之间进行转换
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]
# 样本可视化
def show_images(imgs, num_rows, num_cols, titles=None):
_, axes = plt.subplots(num_rows, num_cols)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
ax.imshow(img.numpy())
else:
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
plt.show()
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
print(X.shape)
# show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y))
# comment show_images(...) when running the following code
# step 2 读取⼩批量
batch_size = 256
def get_dataloader_workers():
return 0
# return 4 使用4个进程来读取数据
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers())
# train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True)
# 在每次迭代中,数据加载器每次都会读取⼀小批量数据,⼤小为batch_size。
# 通过内置数据迭代器,我们可以随机打乱了所有样本,从而⽆偏⻅地读取小批量。
timer = Timer()
for X, y in train_iter:
continue
print(f'{timer.stop(): .2f} sec')
整合版2.0
import torchvision
from torch.utils import data
from torchvision import transforms
def get_dataloader_workers():
return 0
# return 4
# 用于获取和读取Fashion-MNIST数据集。这个函数返回训练集和验证集的数据迭代器。
# 此外,这个函数还接受⼀个可选参数resize,⽤来将图像大小调整为另⼀种形状。
def load_data_fashion_mnist(batch_size, resize=None):
# 下载数据集然后加载到内存中
# 通过ToTensor实例将图像数据从PIL类型转化成32位浮点数格式,并除以255是的所有像素数值在01之间
trans = [transforms.ToTensor()]
if resize:
trans.insert(0, transforms.Resize(resize))
trans = transforms.Compose(trans)
# print(trans)
# Compose(
# Resize(size=64, interpolation=bilinear)
# ToTensor()
# )
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False, num_workers=get_dataloader_workers()))
# 测试图像大小调整功能
train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
for X, y in train_iter:
print(X.shape, X.dtype, y.shape, y.dtype)
break