利用 Python 和 PyTorch 处理面向对象的数据集：1. 原始数据和数据集

第 1 部分：原始数据和数据集

首先我们把尚未经过组织的所有样本称为“原始数据”。

把“数据集”定义为现成可用的数据，即含标签以及基本函数接口（以便于使用原始数据信息）的原始数据。

此处我们使用一种简单的原始数据形式：1 个包含图像和标签的文件夹。

但此方法可扩展至任意性质的样本（可以是图片、录音、视频等）以及包含标签的文件。

标签文件中的每一行都用于描述 1 个样本和相关标签，格式如下：

file_sample_1 label1
file_sample_2 label2
file_sample_3 label3
(...)

当能够完成一些基本信息查询（已有样本数量、返回特定编号的样本、预处理每个样本等）时，说明我们已从原始数据集创建了 1 个数据集。

此方法基于面向对象编程以及创建用于数据处理的 “类”。

对于一组简单的图像和标签而言，此方法可能看上去略显杀鸡用牛刀（实际上，此用例通常是通过创建分别用于训练、验证和测试的独立文件夹来进行处理的）。但如果要选择标准交互方法，则此方法将来可复用于多种不同用例，以节省时间。

 在 Python 中处理数据

在 Python 中所有一切都是对象：整数、列表、字典都是如此。

构建含标准属性和方法的“数据集”对象的原因多种多样。我认为，代码的精致要求就足以合理化这一选择，但我理解这是品味的问题。可移植性、速度和代码模块化可能是最重要的原因。

在许多示例以及编码书籍中，我发现了面向对象的编码（尤以类为甚）的其它有趣的功能和优势&#x