torchvision.datasets

最新推荐文章于 2024-01-26 23:36:51 发布

不负初见

最新推荐文章于 2024-01-26 23:36:51 发布

阅读量140

点赞数

文章标签：人工智能 python 深度学习

本文链接：https://blog.csdn.net/qq_53102746/article/details/132677197

版权

首先进行导入 from torchvision import datasets

1.datasets.ImageFolder()是一个通用的数据加载器

dataset=torchvision.datasets.ImageFolder(
                       root, transform=None, 
                       target_transform=None, 
                       loader=<function default_loader>, 
                       is_valid_file=None)

参数：

root：图片存储的根目录，即各类别文件夹所在目录的上一级目录。
transform：对图片进行预处理的操作函数，原始图片作为输入，返回一个转换后的图片。
target_transform：对图片类别进行预处理的操作，输入为 target，输出对其的转换。如果不传该参数，即对 target 不做任何转换，返回的顺序索引 0,1, 2…
loader：表示数据集加载方式，通常默认加载方式即可。
is_valid_file：获取图像文件的路径并检查该文件是否为有效文件的函数(用于检查损坏文件)

返回的dataset有三个属性：

dataset.classes：输出为类别列表
dataset.class_to_idx：输出为{类别名：索引}的字典
dataset.imgs：输出为[(图片路径，索引),...]的列表

from torchvision.datasets import datasets
from torchvision import transforms
 
data_transform = {
        "train": transforms.Compose([transforms.RandomVerticalFlip(),              
                                     transforms.RandomHorizontalFlip(),             
                                     transforms.RandomRotation(degrees=(0, 180)),   
                                     transforms.ColorJitter(brightness=(0.9, 1.2),  
                                                            contrast=(0.9, 1.2),
                                                            saturation=(0.8, 1.3)),
                                     transforms.ToTensor()}
         
 
dataset=datasets.ImageFolder(root=args.train_path, transform=data_transform["train"])

那么得到的dataset,它的结构就是[(img_data,class_id),(img_data,class_id),…]

print(dataset[0])

# 输出：
(tensor([[[-0.5137, -0.4667, -0.4902,  ..., -0.0980, -0.0980, -0.0902],
         [-0.5922, -0.5529, -0.5059,  ..., -0.0902, -0.0980, -0.0667],
         [-0.5373, -0.5294, -0.4824,  ..., -0.0588, -0.0824, -0.0196],
         ...,
         [-0.3098, -0.3882, -0.3725,  ..., -0.4353, -0.4510, -0.4196],
         [-0.2863, -0.3647, -0.3725,  ..., -0.4431, -0.4118, -0.4196],
         [-0.3412, -0.3569, -0.3882,  ..., -0.4667, -0.4588, -0.4196]],
        [[-0.6627, -0.6157, -0.6549,  ..., -0.5059, -0.5216, -0.5137],
         [-0.7412, -0.7020, -0.6706,  ..., -0.4980, -0.5216, -0.4902],
         [-0.6863, -0.6784, -0.6471,  ..., -0.4667, -0.4902, -0.4275],
         ...,
         [-0.6000, -0.6549, -0.6627,  ..., -0.6784, -0.6941, -0.6627],
         [-0.5765, -0.6314, -0.6471,  ..., -0.6863, -0.6549, -0.6627],
         [-0.6314, -0.6314, -0.6392,  ..., -0.7098, -0.7020, -0.6627]]]), 0)