torchvision.datasets.folder.ImageFolder函数

ImageFolder是一个通用的数据加载器，数据集应当按照指定的格式进行存储。

参数

1. root

在root指定的路径下寻找图片

2. transform

对PIL Image进行的转换操作，transform的输入是使用loader读取图片的返回对象

3.target_transform

对label的转换。

4.  loader：

给定路径后如何读取图片，默认读取为RGB格式的PIL Image对象

成员变量

可以通过成员变量查看ImageFolder返回的内容。这里不是一个具体的函数去操作哦，而是imagefolder的成员变量

（1）classes

根据分的文件夹的名字来确定的类别，如['cat', 'dog']。

（2）class_to_idx

        按顺序为这些类别定义索引为0,1...，如{'cat': 0, 'dog': 1}。

（3）imgs

        返回从所有文件夹中得到的图片的路径以及其类别，一个列表，列表中的每个元素都是一个（img-path, class_index）的元组，如

[('./data/dogcat_2/cat/cat.12484.jpg', 0), ('./data/dogcat_2/cat/cat.12485.jpg', 0), ('./data/dogcat_2/cat/cat.12486.jpg', 0), ('./data/dogcat_2/cat/cat.12487.jpg', 0), ('./data/dogcat_2/dog/dog.12496.jpg', 1), ('./data/dogcat_2/dog/dog.12497.jpg', 1), ('./data/dogcat_2/dog/dog.12498.jpg', 1), ('./data/dogcat_2/dog/dog.12499.jpg', 1)]。

如果不进行transform，返回PIL Image对象。

dataset = ImageFolder('data/dogcat_2/') #这里是在dog和cat等分类文件夹之上的dogcat_2文件夹

# cat文件夹的图片对应label 0，dog对应1

print(dataset.class_to_idx)

{'cat': 0, 'dog': 1}

# 所有图片的路径和对应的label

print(dataset.imgs)

[('./data/dogcat_2/cat/cat.12484.jpg', 0), ('./data/dogcat_2/cat/cat.12485.jpg', 0), ('./data/dogcat_2/cat/cat.12486.jpg', 0), ('./data/dogcat_2/cat/cat.12487.jpg', 0), ('./data/dogcat_2/dog/dog.12496.jpg', 1), ('./data/dogcat_2/dog/dog.12497.jpg', 1), ('./data/dogcat_2/dog/dog.12498.jpg', 1), ('./data/dogcat_2/dog/dog.12499.jpg', 1)]

#所有图片的类别

print(dataset.classes)

['cat', 'dog']



#print(dataset[0][1])# 第一维[]表示是第几张图，第二维[]表示为1返回label

#print(dataset[0][0]) # 第二维表示为0返回图片数据

plt.imshow(dataset[0][0])

进行transform，返回tensor。

normalize = T.Normalize(mean=[0.4, 0.4, 0.4], std=[0.2, 0.2, 0.2])

transform  = T.Compose([

         T.RandomResizedCrop(224),

         T.RandomHorizontalFlip(),

         T.ToTensor(),

         normalize,

])

dataset = ImageFolder('data1/dogcat_2/', transform=transform)



# 深度学习中图片数据一般保存成CxHxW，即通道数x图片高x图片宽

#print(dataset[0][0].size())





再转化为图片

to_img = T.ToPILImage()

# 0.2和0.4是标准差和均值的近似

a=to_img(dataset[0][0]*0.2+0.4)

plt.imshow(a)

plt.axis('off')

plt.show()