读取CIFAR10数据集的数据并进行展示

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和 10000 张测试图片。

这里我们使用python读取CIFAR10其中的一部分数据并进行展示

import torch
import torchvision
import torch.nn as nn
from torchvision import transforms
from torchvision.utils import save_image
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import numpy as np
torch.cuda.set_device(0)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

batch_size = 10
Epochs = 20


trans = torchvision.transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])
cifar_10 = torchvision.datasets.CIFAR10(root='./data', train=True, transform=trans, download=False)
data_loader = DataLoader(cifar_10, batch_size=batch_size, shuffle=True)

def imshow(img):

    #反归一化，将数据重新映射到0-1之间
    img = img / 2 + 0.5
    plt.imshow(np.transpose(img.numpy(), (1,2,0)))
    plt.show()


for i, (images, _) in enumerate(data_loader):

    print(i)
    print(images.numpy().shape)
    imshow(images[0])
    break

• ToTensor()可以将数据映射到0-1的范围内，方便进行计算，Normalize()通过设置均值和方差，可以将数据再次映射到-1到1之间，如原来的0有，(0 - 0.5) / 0.5 = -1 (1 - 0.5) / 0.5 = 1,得到最终映射后的结果
• 但是在后面进行操作的时候，由于像素的值不可能是负值，所以我们还要进行反归一化操作，将数据重新映射到0-1范围内，具体方式是就是原来的数据除以2再加0.5 ，如：（-1/2） + 0.5 = 0 （1/ 2） + 0.5 = 1，可以将数据重新映射到0-1范围内
• 经网络输出的图像一般的格式为(3,32,32),分别表示通道的数量，图像的宽度与高度，但是plt在显示的时候按照(32,32,3)的方式来进行读取，分别表示宽度，高度，通道的数量，所以使用np.transpose(1,2,0)来对每个维度的数据俩进行转换

显示的图像如图所示：

它的像素只是32*32的，像素值过低，所以显示的不是很清楚，我们可以将多张图片做成Grid的形式来展示，代码如下：

import torch
import torchvision
import torch.nn as nn
from torchvision import transforms
from torchvision.utils import save_image
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import numpy as np
torch.cuda.set_device(0)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

batch_size = 50
Epochs = 20

trans = torchvision.transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])
cifar_10 = torchvision.datasets.CIFAR10(root='./data', train=True, transform=trans, download=False)
data_loader = DataLoader(cifar_10, batch_size=batch_size, shuffle=True)

def imshow(img):

    #反归一化，将数据重新映射到0-1之间
    img = img / 2 + 0.5

    plt.imshow(np.transpose(img.numpy(), (1,2,0)))

    plt.show()


for i, (images, _) in enumerate(data_loader):

    print(i)
    print(images.numpy().shape)
    imshow(torchvision.utils.make_grid(images))
    break

得到的图像如下所示：

这些图像都是随机地从原来的数据集中提取的