QMNIST dans PyTorch

Achetez-moi un café☕

*Mon message explique QMNIST.

QMNIST() peut utiliser l'ensemble de données QMNIST comme indiqué ci-dessous :

*Mémos :

• Le 1er argument est root (Required-Type:str ou pathlib.Path). *Un chemin absolu ou relatif est possible.
• Le 2ème argument est quoi (Optional-Default:None-Type:str). *"train"(60 000 images), "test"(60 000 images), "test10k"(10 000 images), "test50k"(50 000 images) ou "nist"(402 953 images) peuvent y être définis.
• Le 3ème argument est compat(Optional-Default:True-Type:bool). *Si c'est vrai, le numéro de classe de chaque image est renvoyé (pour des raisons de compatibilité avec le chargeur de données MNIST) tandis que si c'est faux, le tenseur 1D des informations qmnist complètes est renvoyé.
• Le 4ème argument est l'argument de train (Optional-Default:True-Type:bool) : *Mémos :
  • Il est ignoré si ce qui n'est pas Aucun.
  • Si c'est vrai, les données de train (60 000 images) sont utilisées tandis que si c'est faux, les données de test (60 000 images) sont utilisées.
• Il existe un argument de transformation (Optional-Default:None-Type:callable). *transform= doit être utilisé.
• Il existe un argument target_transform (Optional-Default:None-Type:callable). *target_transform= doit être utilisé.
• Il existe un argument de téléchargement (Optional-Default:False-Type:bool) : *Mémos :
  • download= doit être utilisé.
  • Si c'est vrai, l'ensemble de données est téléchargé depuis Internet et extrait (décompressé) vers root.
  • Si c'est True et que l'ensemble de données est déjà téléchargé, il est extrait.
  • Si c'est vrai et que l'ensemble de données est déjà téléchargé et extrait, rien ne se passe.
  • Il devrait être faux si l'ensemble de données est déjà téléchargé et extrait car il est plus rapide.
  • Vous pouvez télécharger et extraire manuellement l'ensemble de données à partir d'ici, par exemple. 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 of datapoints: 60000
#     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']

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)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!