动手学深度学习（Pytorch版）代码实践 -深度学习基础-04图片分类数据集

主要内容

1. 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。
2. 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。
3. 定义标签转换函数：将数字标签转换为对应的文本标签。
4. 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。
5. 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。
6. 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