主要内容
- 设置显示和图像变换:启用SVG显示,定义将图像转换为张量的变换。
- 下载并加载Fashion-MNIST数据集:下载训练和测试数据集,应用图像转换为张量。
- 定义标签转换函数:将数字标签转换为对应的文本标签。
- 定义图像显示函数:编写函数用于显示图像列表,并在图像上添加标题。
- 定义数据加载函数:下载并加载Fashion-MNIST数据集,支持图像大小调整。
- 测试数据加载时间:测试加载数据所需时间
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
d2l.use_svg_display()
trans = transforms.ToTensor()
#返回一个可用的数据集对象
mnist_train = torchvision.datasets.FashionMNIST(
root="../data",
train=True,
transform=trans,
download=True
)
mnist_test = torchvision.datasets.FashionMNIST(
root="../data",
train=False,
transform=trans,
download=True
)
"""
Fashion-MNIST由10个类别的图像组成,
每个类别由训练数据集(train dataset)中的6000张图像
和测试数据集(test dataset)中的1000张图像组成。
因此,训练集和测试集分别包含60000和10000张图像。
测试数据集不会用于训练,只用于评估模型性能。
"""
print(len(mnist_train),len(mnist_test))
#每个输入图像的高度和宽度均为28像素。 数据集由灰度图像组成,其通道数为1。
print(mnist_train[0][0].shape)
# #@save表明是d2l的内置函数,否则为李沐教学时临时定义的函数。
def get_fashion_mnist_labels(labels): #@save
text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
return [text_labels[int(i)] for i in labels]
def show_images(imgs, num_rows, num_cols, titles = None, scale = 1.5):#@save
"""绘制图像列表"""
figsize = (num_cols * scale, num_rows * scale)
"""
_ 是一个占位符变量,它通常用来表示我们不关心的返回值。
在这种情况下,d2l.plt.subplots() 函数返回一个包含两个元素的元组,
第一个元素是一个 Figure 对象,第二个元素是一个包含多个 Axes 对象的数组。
由于这里的代码仅需要 Axes 对象,因此将 Figure 对象用 _ 占位符忽略掉。
"""
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax,img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
#图片张量
ax.imshow(img.numpy())
else:
#PIL图片
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
return axes
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18,28,28),2,9,titles=get_fashion_mnist_labels(y))
d2l.plt.show() #可视化展示
#读取小批量
batch_size = 256
def get_dataloader_workers():#@save
return 4
train_iter = data.DataLoader(mnist_train,
batch_size,
shuffle=True,
num_workers=get_dataloader_workers()
)
#取训练数据所需的时间。
#加载数据的速度应该要比训练的速度快
# timer = d2l.Timer()
# for X, y in train_iter:
# continue
# print(f'{timer.stop():.2f} sec')
#用于获取和读取Fashion-MNIST数据集。 这个函数返回训练集和验证集的数据迭代器。
def loda_data_fashion_mnist(batch_size,resize=None):#@save
"""下载Fashion-MNIST数据集,然后将其加载到内存中"""
trans = [transforms.ToTensor()]
if resize:
trans.insert(0,transforms.Resize(resize))
trans = transforms.Compose(trans)
mnist_train = torchvision.datasets.FashionMNIST(
root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(
root="../data", train=False, transform=trans, download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True,
num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False,
num_workers=get_dataloader_workers()))
#通过指定resize参数来测试load_data_fashion_mnist函数的图像大小调整功能。
train_iter, test_iter = loda_data_fashion_mnist(32,resize=64)
for X, y in train_iter:
print(X.shape, X.dtype, y.shape, y.dtype)
break
#torch.Size([32, 1, 64, 64]) torch.float32 torch.Size([32]) torch.int64