EMNIST in PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt EMNIST.

EMNIST() kann den EMNIST-Datensatz wie unten gezeigt verwenden:

*Memos:

• Das 1. Argument ist root(Required-Type:str oder pathlib.Path). *Ein absoluter oder relativer Pfad ist möglich.
• Das 2. Argument ist split(Required-Type:str). *Es können „byclass“, „bymerge“, „balanced“, „letters“, „digits“ oder „mnist“ eingestellt werden.
• Es gibt ein Zugargument (Optional-Default:False-Type:float): *Memos:
  • Für split="byclass" und split="byclass" werden, wenn es „True“ ist, Trainingsdaten (697.932 Bilder) verwendet, während, wenn es „False“ ist, Testdaten (116.323 Bilder) verwendet werden.
  • Für split="balanced" werden, wenn es „True“ ist, Trainingsdaten (112.800 Bilder) verwendet, während, wenn es „False“ ist, Testdaten (188.00 Bilder) verwendet werden.
  • Wenn „split="letters“ wahr ist, werden Trainingsdaten (124.800 Bilder) verwendet, während bei „falsch" Testdaten (20.800 Bilder) verwendet werden.
  • Wenn „split="digits" „True“ ist, werden Trainingsdaten (240.000 Bilder) verwendet, während bei „False“ Testdaten (40.000 Bilder) verwendet werden.
  • Wenn „split="mnist" wahr ist, werden Trainingsdaten (60.000 Bilder) verwendet, während bei „falsch“ Testdaten (10.000 Bilder) verwendet werden.
• Es gibt ein Transformationsargument (Optional-Default:None-Type:callable).
• Es gibt das Argument target_transform (Optional-Default:None-Type:callable).
• Es gibt ein Download-Argument (Optional-Default:False-Type:bool): *Memos:
  • Wenn es wahr ist, wird der Datensatz aus dem Internet heruntergeladen und in das Stammverzeichnis extrahiert (entpackt).
  • Wenn es „True“ ist und der Datensatz bereits heruntergeladen wurde, wird er extrahiert.
  • Wenn es „True“ ist und der Datensatz bereits heruntergeladen und extrahiert wurde, passiert nichts.
  • Es sollte „False“ sein, wenn der Datensatz bereits heruntergeladen und extrahiert wurde, da es schneller ist.
  • Sie können den Datensatz hier manuell herunterladen und extrahieren, um ihn z. data/EMNIST/raw/.
• Es gibt den Fehler, dass die Bilder standardmäßig gespiegelt und um 90 Grad gegen den Uhrzeigersinn gedreht werden, sodass sie transformiert werden sollten.

from torchvision.datasets import EMNIST

train_data = EMNIST(
    root="data",
    split="byclass"
)

train_data = EMNIST(
    root="data",
    split="byclass",
    train=True,
    transform=None,
    target_transform=None,
    download=False
)

test_data = EMNIST(
    root="data",
    split="byclass",
    train=False
)

len(train_data), len(test_data)
# 697932 116323

train_data
# Dataset EMNIST
#     Number of datapoints: 697932
#     Root location: data
#     Split: Train

train_data.root
# 'data'

train_data.split
# 'byclass'

train_data.train
# True

print(train_data.transform)
# None

print(train_data.target_transform)
# None

train_data.download
# <bound method emnist.download of dataset emnist number datapoints: root location: data split: train>

train_data[0]
# (<pil.image.image image mode="L" size="28x28">, 35)

train_data[1]
# (<pil.image.image image mode="L" size="28x28">, 36)

train_data[2]
# (<pil.image.image image mode="L" size="28x28">, 6)

train_data[3]
# (<pil.image.image image mode="L" size="28x28">, 3)

train_data[4]
# (<pil.image.image image mode="L" size="28x28">, 22)

train_data.classes
# ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
#  'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M',
#  'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z',
#  'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm',
#  'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z']
</pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></bound>

from torchvision.datasets import EMNIST

train_data = EMNIST(
    root="data",
    split="byclass",
    train=True
)

test_data = EMNIST(
    root="data",
    split="byclass",
    train=False
)

import matplotlib.pyplot as plt

def show_images(data):
    plt.figure(figsize=(12, 2))
    col = 5
    for i, (image, label) in enumerate(data, 1):
        plt.subplot(1, col, i)
        plt.title(label)
        plt.imshow(image)
        if i == col:
            break
    plt.show()

show_images(data=train_data)
show_images(data=test_data)

from torchvision.datasets import EMNIST
from torchvision.transforms import v2

train_data = EMNIST(
    root="data",
    split="byclass",
    train=True,
    transform=v2.Compose([
        v2.RandomHorizontalFlip(p=1.0),
        v2.RandomRotation(degrees=(90, 90))
    ])
)

test_data = EMNIST(
    root="data",
    split="byclass",
    train=False,
    transform=v2.Compose([
        v2.RandomHorizontalFlip(p=1.0),
        v2.RandomRotation(degrees=(90, 90))
    ])
)

import matplotlib.pyplot as plt

def show_images(data):
    plt.figure(figsize=(12, 2))
    col = 5
    for i, (image, label) in enumerate(data, 1):
        plt.subplot(1, col, i)
        plt.title(label)
        plt.imshow(image)
        if i == col:
            break
    plt.show()

show_images(data=train_data)
show_images(data=test_data)

Das obige ist der detaillierte Inhalt vonEMNIST in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!