参考
运行环境:google colab
笔记链接
- 学习笔记——pytorch1.9.0官方文档快速入门(一)
- 学习笔记——pytorch1.9.0官方文档快速入门(二)
- 学习笔记——pytorch1.9.0官方文档快速入门(三)
- 学习笔记——pytorch1.9.0官方文档快速入门(四)
- 学习笔记——pytorch1.9.0官方文档快速入门(五)
- 学习笔记——pytorch1.9.0官方文档快速入门(六)
- 学习笔记——pytorch1.9.0官方文档快速入门(七)
transforms介绍
数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用transforms来对数据进行一些操作并使其适合训练。所用TorchVision数据集都用两个参数——transform
用于修改特征,target_transform
用于修改标签。它们接受包含转换逻辑的可调用对象。torchvision.transforms
模块提供了几种开箱即用的转换。
FashionMNIST 特征采用 PIL Image 格式,标签为整数。对于训练,我们需要将特征作为归一化张量,将标签作为one-hot编码张量。为了进行这些转换,我们使用 ToTensor 和 Lambda。
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
ds = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
ToTensor()
ToTensor将PIL图像或Numpy ndarrray转换为FloatTensor。并在[0.,1.]
范围内缩放图像的像素值。
Lambda Transforms
我们定义了一个函数将整数转换为one-hot编码。它首先根据数据集包含的10种标签(FashionMNIST中数据有10个类),创建一个长度为10的零张量,然后调用scatter_
,它在标签y
给定的索引上分配一个value=1
。
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))