pytorch读取mnist数据集并进行展示

import torch
from torchvision import transforms
from torch.utils.data import DataLoader
from torch.nn import functional
from torchvision import datasets
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize([0.5], [0.5])])

train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_data_loader = DataLoader(dataset=train_data, shuffle=True, batch_size=64)     #使用加载器加载，可以降低内存的消耗
test_data = datasets.MNIST(root='./data', train=False, transform=transform)
test_data_loader = DataLoader(dataset=test_data, shuffle=True, batch_size=64)

examples = enumerate(train_data_loader)
batch_idx, (example_data, example_label) = next(examples)


#fig = plt.figure()

for i in range(8):
    plt.subplot(4, 2, i + 1)
    plt.tight_layout()  #自动调整子图参数，使之填充整个图像区域
	
	#这里的example_data[i][0]后面的0表示的可能是色彩级数，如RGB有3个，灰度图就只有一个
    plt.imshow(example_data[i][0], cmap='gray', interpolation='none')
    plt.title("Ground Truth:{}".format(example_label[i]))
    plt.xticks([])
    plt.yticks([])
plt.show()

在神经网络中，数据一般会被分为两个部分，一个部分用于训练，另一部分用于测试，查看训练的网络的效果如何。
那么第一步就是数据下载并进行处理，datasets里面包含有多个数据集，Mnist就是其中的一个，其有60000张28*28的灰度图像，设置download = “true”，可以将数据下载到本地来进行操作

1. transforms.Compose可以将一些转换函数组合到一起
2. Normalize([0.5], [0.5])对张量进行归一化，这里的两个0.5分别表示均值和方差。因图像是灰色的只有一个通道，如果有多个通道，如RGB图像，则需要有多个通道数字，如3个通道，应该是Normalize([0.5,0.5,0.5], [0.5,0.5,0.5])
3. download的参数控制是否需要下载，如果该.data目录下已经有MNIST，可选择False
4. 用DataLoader得到生成器，这可以节省内存
5. torchvision是torch的图像工具包

在得到DataLoader迭代器后，我们可以使用next进行迭代取出数据，在DataLoader里面有一个batch_size参数用于控制每一次迭代我们从里面选择出多少数据，如这里的batch_size我们设置为64，则其一次迭代取出的就是64个数据

#这里的examples包含64个手写体数字以及其他的一些参数
examples = enumerate(train_data_loader)

#next()函数获得迭代的下一个值，返回的有批号，样本数据以及标签，很明显，enumerate()返回的应该是下标0，我么要移动到下标1上才能读取数据
#注意：样本数据(Tensor类型)和标签(Tensor类型)放置在一个列表中，需要加上括号
batch_idx, (example_data, example_label) = next(examples)

我们打开调试，具体看看每个里面都是什么：

1. batch_idx
2. example_data
   

example_label:

可以看到，我们的example_data和example_label里面都包含了很多的属性

展示我们的手写体数据：