CIFARin PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt CIFAR-10.

CIFAR10() kann den CIFAR-10-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 train(Optional-Default:True-Type:bool). *Wenn es wahr ist, werden Trainingsdaten (50.000 Bilder) verwendet, während wenn es falsch ist, Testdaten (10.000 Bilder) verwendet werden.
• Das dritte Argument ist transform(Optional-Default:None-Type:callable).
• Das 4. Argument ist target_transform(Optional-Default:None-Type:callable).
• Das 5. Argument ist download(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 (cifar-10-python.tar.gz) manuell herunterladen und von hier nach data/cifar-10-batches-py/ extrahieren.

from torchvision.datasets import CIFAR10

train_data = CIFAR10(
    root="data"
)

train_data = CIFAR10(
    root="data",
    train=True,
    transform=None,
    target_transform=None,
    download=False
)

test_data = CIFAR10(
    root="data",
    train=False
)

len(train_data), len(test_data)
# (50000, 10000)

train_data
# Dataset CIFAR10
#     Number of datapoints: 50000
#     Root location: data
#     Split: Train

train_data.root
# 'data'

train_data.train
# True

print(train_data.transform)
# None

print(train_data.target_transform)
# None

train_data.download
# bound method CIFAR10.download of Dataset CIFAR10
#     Number of datapoints: 50000
#     Root location: data
#     Split: Train>

len(train_data.classes)
# 10

train_data.classes
# ['airplane', 'automobile', 'bird', 'cat', 'deer',
#  'dog', 'frog', 'horse', 'ship', 'truck']

train_data[0]
# (<PIL.Image.Image image mode=RGB size=32x32>, 6)

train_data[1]
# (<PIL.Image.Image image mode=RGB size=32x32>, 9)

train_data[2]
# (<PIL.Image.Image image mode=RGB size=32x32>, 9)

train_data[3]
# (<PIL.Image.Image image mode=RGB size=32x32>, 4)

train_data[4]
# (<PIL.Image.Image image mode=RGB size=32x32>, 1)

import matplotlib.pyplot as plt

def show_images(data, main_title=None):
    plt.figure(figsize=(10, 5))
    plt.suptitle(t=main_title, y=1.0, fontsize=14)
    for i, (im, lab) in enumerate(data, start=1):
        plt.subplot(2, 5, i)
        plt.title(label=lab)
        plt.imshow(X=im)
        if i == 10:
            break
    plt.tight_layout()
    plt.show()

show_images(data=train_data, main_title="train_data")
show_images(data=test_data, main_title="test_data")

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