Achetez-moi un café☕
*Mon message explique CIFAR-10.
CIFAR10() peut utiliser l'ensemble de données CIFAR-10 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 train(Optional-Default:True-Type:bool). *Si c'est vrai, les données du train (50 000 images) sont utilisées tandis que si c'est faux, les données de test (10 000 images) sont utilisées.
- Le 3ème argument est transform(Optional-Default:None-Type:callable).
- Le 4ème argument est target_transform(Optional-Default:None-Type:callable).
- Le 5ème argument est download(Optional-Default:False-Type:bool) :
*Mémos :
- Si c'est vrai, l'ensemble de données est téléchargé depuis Internet et extrait (décompressé) à la racine.
- Si c'est Vrai 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 (cifar-10-python.tar.gz) d'ici vers data/cifar-10-batches-py/.
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") </pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image>
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!

L'article traite de la nouvelle instruction "Match" de Python introduite dans la version 3.10, qui constitue un équivalent pour les instructions de commutation dans d'autres langues. Il améliore la lisibilité du code et offre des avantages de performance par rapport aux if-elif-el traditionnels

Les groupes d'exception dans Python 3.11 permettent de gérer plusieurs exceptions simultanément, améliorant la gestion des erreurs dans des scénarios simultanés et des opérations complexes.

Les annotations de fonction dans Python ajoutent des métadonnées aux fonctions pour la vérification de type, la documentation et la prise en charge de l'IDE. Ils améliorent la lisibilité du code, la maintenance et sont cruciaux dans le développement de l'API, la science des données et la création de bibliothèques.

L'article traite des tests unitaires dans Python, leurs avantages et comment les écrire efficacement. Il met en évidence des outils comme unittest et pytest pour les tests.

L'article traite des spécificateurs d'accès dans Python, qui utilisent des conventions de dénomination pour indiquer la visibilité des membres de la classe, plutôt qu'une application stricte.

L'article traite de la méthode \ _ \ _ init \ _ \ _ () de Python et du rôle de Self dans l'initialisation des attributs d'objet. Les autres méthodes de classe et l'impact de l'héritage sur \ _ \ _ init \ _ \ _ () sont également couverts.

L'article traite des différences entre @classMethod, @StaticMethod et des méthodes d'instance dans Python, détaillant leurs propriétés, leurs cas d'utilisation et leurs avantages. Il explique comment choisir le bon type de méthode en fonction des fonctionnalités et DA requis

Inpython, youAPPEndElementStoalistUsingTheAppend () Method.1) useAppend () forsingleelements: my_list.append (4) .2) useExtend () ou = formultipleElements: my_list.extend (autre_list) ormy_list = [4,5,6] .3) useInsert () ForSpecific Positions: my_list.insert (1,5) .beaware


Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

MantisBT
Mantis est un outil Web de suivi des défauts facile à déployer, conçu pour faciliter le suivi des défauts des produits. Cela nécessite PHP, MySQL et un serveur Web. Découvrez nos services de démonstration et d'hébergement.

Version crackée d'EditPlus en chinois
Petite taille, coloration syntaxique, ne prend pas en charge la fonction d'invite de code

SublimeText3 version anglaise
Recommandé : version Win, prend en charge les invites de code !

SublimeText3 Linux nouvelle version
Dernière version de SublimeText3 Linux

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
