图像数据保存及以数据集形式加载保存数据的方法

保存数据：

atk.save(data_loader, save_path="./data/sample.pt", verbose=True)

加载数据：

import torch
from torch.utils.data import DataLoader, TensorDataset
adv_images, labels = torch.load("./data/sample.pt")

图片显示可以直接输出：（需要转换格式）

def imshow(tensor):
    image = tensor.cpu().clone()
    image = image.squeeze(0) # [3, H, W]
    image = transforms.ToPILImage()(image)
    # show an image whose values are between [0, 1]
    plt.imshow(image)
    plt.show()
def imshow_batch(input, title):
    # torch.Tensor => numpy
    input = input.numpy().transpose((1, 2, 0))
    # display images
    plt.imshow(input)
    plt.title(title)
    plt.show()

可以再输出个标签：

# cifar10
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

out = torchvision.utils.make_grid(adv_images[:4])
imshow_batch(out, title='original labels:' + str([class_names[x] for x in labels[:4]]))

但是，用这种方式将加载的数据输入训练好的模型进行测试时，系统一直在自动重启，原因可能是没有设置batch，因此数据量太大导致内存溢出，所以这种方式并不好（当然你也可以手动设置batch）。

因此，我们研究以dataloader的加载dataset的方式处理我们存储的数据，思路请参考本文的参考，具体实现如下：

adv_images, labels = torch.load("./data/sample.pt")
# 定义GetLoader类，继承Dataset方法，并重写__getitem__()和__len__()方法
class GetLoader(torch.utils.data.Dataset):
	# 初始化函数，得到数据
    def __init__(self, data_img, data_label):
        self.data = data_img
        self.label = data_label
    # index是根据batchsize划分数据后得到的索引，最后将data和对应的labels进行一起返回
    def __getitem__(self, index):
        data = self.data[index]
        labels = self.label[index]
        return data, labels
    # 该函数返回数据大小长度，目的是DataLoader方便划分，如果不知道大小，DataLoader会一脸懵逼
    def __len__(self):
        return len(self.data)

# 通过GetLoader将数据进行加载，返回Dataset对象，包含data和labels
PGDdata = GetLoader(adv_images, labels)

#dataloader
adv_dataloader = DataLoader(PGDdata,batch_size =64, shuffle=True,num_workers=4)

然后我们就可以正常进行操作啦～～

参考：Torch load载入数据集的标准流程_Hobbitlzy的博客-CSDN博客_torch 加载数据集           Pytorch加载自己的数据集(使用DataLoader读取Dataset)_l8947943s的博客-CSDN博客