#引入torch
import torch
#从torchvision中引入图像转换
from torchvision import transforms
#从torchvision中引入数据集
from torchvision import datasets
#从torch的工具中的数据引入数据加载器
from torch.utils.data import DataLoader
#引入torch中的神经网络的激活函数(relu)
import torch.nn.functional as F
#引入torch中优化器
import torch.optim as optim
#batch_size的大小是64
batch_size = 64
#用Compose组合多个transform操作
transform = transforms.Compose([
#ToTensor将图像中的字节转换成tensor;
transforms.ToTensor(),
#Normalize将数据进行标准化,1是均值,2是标准差
transforms.Normalize((0.1307, ),(0.3081, ))
])
#训练数据集的MNIST的数据集的根在mnist文件夹中
train_dataset = datasets.MNIST(root='../dataset/mnist',
#让训练等于真,提取训练集
train=True,
#下载等于真,下载数据集
download=True,
#transform直接应用上面的transform
transform=transform)
#训练加载器是数据加载器,引入训练数据集
train_loader = DataLoader(train_dataset,
#shuffle为真,将数据打乱
shuffle=True,
#batch的大小为前面设定好的大小
batch_size=batch_size)
#测试数据集的MNIST的数据集的根在mnist文件夹中
test_dataset = datasets.MNIST(root='../dataset/mnist/',
#训练为假,测试为真
train=False,
#下载为真,就是下载
download=True,
#transform直接应用上面的transform
transform=tran
PyTorch深度学习实践代码 第十一讲
最新推荐文章于 2023-04-22 18:02:50 发布