MNIST in PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt MNIST.

MNIST() kann den MNIST-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:False-Type:float). *Wenn es wahr ist, werden Trainingsdaten (60.000 Proben) verwendet, während wenn es falsch ist, Testdaten (60.000 Proben) 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 hier manuell herunterladen und extrahieren, um ihn z. data/MNIST/raw/.

from torchvision.datasets import MNIST

train_data = MNIST(
    root="data"
)

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

train_data
# Dataset MNIST
#     Number of datapoints: 60000
#     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 MNIST.download of Dataset MNIST
#     Number of datapoints: 60000
#     Root location: data
#     Split: Train>

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

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

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

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

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

from torchvision.datasets import MNIST

train_data = MNIST(
    root="data"
)

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

import matplotlib.pyplot as plt

def show_images(data):
    plt.figure(figsize=(10, 2))
    col = 4
    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 vonMNIST in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!