CIFAR in PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt CIFAR-100.

CIFAR100() kann den CIFAR-100-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-100-python.tar.gz) manuell herunterladen und von hier nach data/cifar-100-python/ extrahieren.

from torchvision.datasets import CIFAR100

train_data = CIFAR100(
    root="data"
)

train_data = CIFAR100(
    root="data",
    train=True,
    transform=None,
    target_transform=None,
    download=False
)

test_data = CIFAR100(
    root="data",
    train=False
)

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

train_data
# Dataset CIFAR100
#     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 cifar100 number datapoints: root location: data split: train>

len(train_data.classes), train_data.classes
# (100,
#  ['apple', 'aquarium_fish', 'baby', 'bear', 'beaver', 'bed',
#   'bicycle', 'bottle', 'bowl', ..., 'wolf', 'woman', 'worm']

train_data[0]
# (<pil.image.image image mode="RGB" size="32x32">, 19)

train_data[1]
# (<pil.image.image image mode="RGB" size="32x32">, 29)

train_data[2]
# (<pil.image.image image mode="RGB" size="32x32">, 0)

train_data[3]
# (<pil.image.image image mode="RGB" size="32x32">, 11)

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")
</pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></bound>

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