超级会员免费看
这篇笔记详细介绍了如何自定义一个数据集并使用PyTorch进行训练。通过继承`torch.utils.data.Dataset`类，实现`__len__()`和`__getitem__()`方法来构建数据集类。在训练过程中，由于数据经过Normalize操作，导致在visdom中显示异常，通过Denormalize解决了这个问题。数据集存储为CSV文件，包含图像路径和标签。
一般的深度学习训练模型的搭建框架过程为，导入数据-建立模型-训练与测试/迁移学习，在这篇笔记中，我主要记录了自定义一个自己的数据集过程与迁移学习的方法。对于其中涉及的到的训练过程与测试过程在其他的笔记中已有提到。
对于之前用到的MNIST数据集与Cifar10数据集的导入，其实我们都只是利用了pytorch提供的函数，分别是torchvision.datasets.MNIST与torchvision.datasets.CIFAR10两个函数帮助我们实现了样本数据的导入。但是，当我们需要训练我们自己的数据集时，具体的datasets操作函数便需要我们来编写。
对于我们设计自定义数据集类时，具体有三个步骤：
- 继承torch.utils.data中的Dataset类
- 编写 __ len __ ()函数
- 编写 __ getitem __ ()函数
源码中的Dataset如下：
class Dataset(Generic[T_co]
订阅专栏 解锁全文
扫一扫
2331
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
