PyTorch学习笔记（四）——torchvision中的数据集

1 torchvision的模块

1、torchvision.datasets

如：COCO 目标检测、语义分割；MNIST 手写文字；CIFAR 物体识别

2、torchvision.io

 输入输出模块，不常用

3、torchvision.models

提供一些比较常见的神经网络，有的已经预训练好，如分类、语义分割、目标检测、视频分类

4、torchvision.ops

torchvision提供的一些比较少见的特殊的操作，不常用

5、torchvision.transforms

6、torchvision.utils

提供一些常用的小工具，如TensorBoard

2 torchvision.datasets和torchvision.transforms结合使用

以CIFAR数据集为例：CIFAR10 数据集包含了6万张32×32像素的彩色图片，图片有10个类别，每个类别有6千张图像，其中有5万张图像为训练图片，1万张为测试图片。

​

参数：

• root:数据集的位置
• train: 若true则创建的是训练集，false则创建的是测试集
• transform:对数据集中的所有数据进行变换
• target_transform
• download:若true则会自动从网上下载数据集

import torchvision

train_set = torchvision.datasets.CIFAR10(root="./datasets",train=True,download=True)
test_set = torchvision.datasets.CIFAR10(root="./datasets",train=False,download=True)

 数据集下载过慢时：获得下载链接后，把下载链接粘贴到迅雷中，会下载压缩文件tar.gz，download依然为True，运行后会自动解压该数据

import torchvision

train_set = torchvision.datasets.CIFAR10(root="./datasets",train=True,download=True)
test_set = torchvision.datasets.CIFAR10(root="./datasets",train=False,download=True)

print(test_set[0]) # 查看测试集中的第一个数据，是一个元组：(img, target)
print(test_set.classes) # 列表

img,target = test_set[0]
print(img)
print(target)
print(test_set.classes[target])
img.show()

 与transforms结合使用：

import torchvision
from torch.utils.tensorboard import SummaryWriter


# 把dataset_transform运用到数据集中的每一张图片，都转为tensor数据类型
dataset_transform = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])
train_set = torchvision.datasets.CIFAR10(root="./datasets",train=True,transform=dataset_transform,download=True)
test_set = torchvision.datasets.CIFAR10(root="./datasets",train=False,transform=dataset_transform,download=True)

# print(test_set[0])
writer = SummaryWriter("log")
#显示测试数据集中的前10张图片
for i in range(10):
    img,target  = test_set[i]
    writer.add_image("test_set",img,i)
writer.close()