QMNIST in PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt QMNIST.

QMNIST() kann den QMNIST-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 what(Optional-Default:None-Type:str). *Es können „train“ (60.000 Bilder), „test“ (60.000 Bilder), „test10k“ (10.000 Bilder), „test50k“ (50.000 Bilder) oder „nist“ (402.953 Bilder) eingestellt werden.
• Das dritte Argument ist kompatibel (Optional-Default:True-Type:bool). *Wenn es „True“ ist, wird die Klassennummer jedes Bildes zurückgegeben (aus Gründen der Kompatibilität mit dem MNIST-Datenlader), während wenn es „False“ ist, der 1D-Tensor der vollständigen qmnist-Informationen zurückgegeben wird.
• Das 4. Argument ist das Zugargument (Optional-Default:True-Type:bool): *Memos:
  • Es wird ignoriert, wenn etwas nicht „Keine“ ist.
  • Wenn es wahr ist, werden Trainingsdaten (60.000 Bilder) verwendet, während wenn es falsch ist, Testdaten (60.000 Bilder) verwendet werden.
• Es gibt ein Transformationsargument (Optional-Default:None-Type:callable). *transform= muss verwendet werden.
• Es gibt das Argument target_transform (Optional-Default:None-Type:callable). *target_transform= muss verwendet werden.
• Es gibt ein Download-Argument (Optional-Default:False-Type:bool): *Memos:
  • download= muss verwendet werden.
  • 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/QMNIST/raw/.

from torchvision.datasets import QMNIST

train_data = QMNIST(
    root="data"
)

train_data = QMNIST(
    root="data",
    what=None,
    compat=True,
    train=True,
    transform=None,
    target_transform=None,
    download=False
)

train_data = QMNIST(
    root="data",
    what="train",
    train=False
)

test_data1 = QMNIST(
    root="data",
    train=False
)

test_data1 = QMNIST(
    root="data",
    what="test",
    train=True
)

test_data2 = QMNIST(
    root="data",
    what="test10k"
)

test_data3 = QMNIST(
    root="data",
    what="test50k",
    compat=False
)

nist_data = QMNIST(
    root="data",
    what="nist"
)

l = len
l(train_data), l(test_data1), l(test_data2), l(test_data3), l(nist_data)
# (60000, 60000, 10000, 50000, 402953)

train_data
# Dataset QMNIST
#     Number of datapoints: 60000
#     Root location: data
#     Split: train

train_data.root
# 'data'

train_data.what
# 'train'

train_data.compat
# True

train_data.train
# True

print(train_data.transform)
# None

print(train_data.target_transform)
# None

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

train_data[0]
# (<pil.image.image image mode="L" size="28x28">, 5)

test_data3[0]
# (<pil.image.image image mode="L" size="28x28">,
#  tensor([3, 4, 2424, 51, 33, 261051, 0, 0]))

train_data[1]
# (<pil.image.image image mode="L" size="28x28">, 0)

test_data3[1]
# (<pil.image.image image mode="L" size="28x28">,
#  tensor([8, 1, 522, 60, 38, 55979, 0, 0]))

train_data[2]
# (<pil.image.image image mode="L" size="28x28">, 4)

test_data3[2]
# (<pil.image.image image mode="L" size="28x28">,
#  tensor([9, 4, 2496, 115, 39, 269531, 0, 0]))

train_data[3]
# (<pil.image.image image mode="L" size="28x28">, 1)

test_data3[3]
# (<pil.image.image image mode="L" size="28x28">,
#  tensor([5, 4, 2427, 77, 35, 261428, 0, 0]))

train_data[4]
# (<pil.image.image image mode="L" size="28x28">, 9)

test_data3[4]
# (<pil.image.image image mode="L" size="28x28">,
#  tensor([7, 4, 2524, 69, 37, 272828, 0, 0]))

train_data.classes
# ['0 - zero', '1 - one', '2 - two', '3 - three', '4 - four',
#  '5 - five', '6 - six', '7 - seven', '8 - eight', '9 - nine']
</pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></bound>

from torchvision.datasets import QMNIST

train_data = QMNIST(
    root="data",
    what="train"
)

test_data1 = QMNIST(
    root="data",
    what="test"
)

test_data2 = QMNIST(
    root="data",
    what="test10k"
)

test_data3 = QMNIST(
    root="data",
    what="test50k"
)

nist_data = QMNIST(
    root="data",
    what="nist"
)

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_data1)
show_images(data=test_data2)
show_images(data=test_data3)
show_images(data=nist_data)

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