PyTorch의 장소-파이썬 튜토리얼-php.cn

집

백엔드 개발

파이썬 튜토리얼

PyTorch의 장소

Susan Sarandon

Dec 29, 2024 pm 12:08 PM

커피 한잔 사주세요😄

*내 게시물은 Places365를 설명합니다.

Places365()는 아래와 같이 Places365 데이터세트를 사용할 수 있습니다.

*메모:

첫 번째 인수는 루트(필수 유형:str 또는 pathlib.Path)입니다. *절대경로, 상대경로 모두 가능합니다.
두 번째 인수는 분할(Optional-Default:"train-standard"-Type:str)입니다. *"train-standard"(1,803,460 이미지), "train-challenge"(8,026,628 이미지) 또는 "val"(36,500 이미지)을 설정할 수 있습니다. "test"(이미지 328,500개)는 지원되지 않아서 GitHub에 기능을 요청했습니다.
세 번째 인수는 작습니다(Optional-Default:False-Type:bool).
네 번째 인수는 download(Optional-Default:False-Type:bool)입니다. *메모:
- True인 경우 데이터 세트가 인터넷에서 다운로드되어 루트에 추출(압축 해제)됩니다.
- True이고 데이터세트가 이미 다운로드된 경우 추출됩니다.
- True이고 데이터세트가 이미 다운로드되어 추출된 경우에는 추출된 폴더가 존재하기 때문에 오류가 발생합니다. *추출된 폴더를 삭제해도 오류가 발생하지 않습니다.
- 데이터세트가 이미 다운로드되어 추출된 경우 오류가 발생하지 않도록 False여야 합니다.
- 여기서부터:
  - split="train-standard" 및 small=False의 경우, 데이터세트 filelist_places365-standard.tar 및 train_large_places365standard.tar를 각각 data/ 및 data/data_large_standard/에 수동으로 다운로드하고 추출할 수 있습니다.
  - split="train-standard" 및 small=True인 경우, 데이터세트 filelist_places365-standard.tar 및 train_256_places365standard.tar를 각각 data/ 및 data/data_256_standard/에 수동으로 다운로드하고 추출할 수 있습니다.
  - split="train-challenge" 및 small=False의 경우 데이터세트 filelist_places365-challenge.tar 및 train_large_places365challenge.tar를 각각 data/ 및 data/data_large/에 수동으로 다운로드하고 추출할 수 있습니다.
  - split="train-challenge" 및 small=True의 경우, 데이터세트 filelist_places365-challenge.tar 및 train_256_places365challenge.tar를 각각 data/ 및 data/data_256_challenge/에 수동으로 다운로드하고 추출할 수 있습니다.
  - split="val" 및 small=False의 경우 데이터세트 filelist_places365-standard.tar 및 val_large.tar를 각각 data/ 및 data/val_large/에 수동으로 다운로드하고 추출할 수 있습니다.
  - split="val" 및 small=True인 경우, 데이터세트 filelist_places365-standard.tar 및 val_large.tar를 각각 data/ 및 data/val_256/에 수동으로 다운로드하고 추출할 수 있습니다.
5번째 인수는 변환(Optional-Default:None-Type:callable)입니다.
6번째 인수는 target_transform(Optional-Default:None-Type:callable)입니다.
7번째 인수는 loader(Optional-Default:torchvision.datasets.folder.default_loader-Type:callable)입니다.
"열차 표준" 이미지 인덱스에 대한 클래스의 레이블에 대해 airfield(0)는 0~4999, airplane_cabin(1)은 5000~9999, 공항 터미널(2)은 10000~14999, 골방(3)은 15000~19999, 골목(4)은 20000~24999, 원형극장(5)은 25000~29999, amusement_arcade(6)는 30000~34999, amusement_park(7)는 35000~39999, 아파트 건물/실외(8)는 40000~44999, 수족관(9)은 45000~49999 등
"train-challenge" 이미지 인덱스에 대한 클래스의 레이블에 대해 airfield(0)는 0~38566, airplane_cabin(1)은 38567~47890, 공항 터미널(2)은 47891~74901, 골방(3)은 74902~98482, 골목(4)은 98483~137662, 원형극장(5)은 137663~150034, amusement_arcade(6)는 150035~161051, amusement_park(7)은 161052~201051, apartment_building/outdoor(8)는 201052~227872, 수족관(9)은 227873~267872 등입니다.

from torchvision.datasets import Places365
from torchvision.datasets.folder import default_loader

trainstd_large_data = Places365(
    root="data"
)

trainstd_large_data = Places365(
    root="data",
    split="train-standard",
    small=False,
    download=False,
    transform=None,
    target_transform=None,
    loader=default_loader
)

trainstd_small_data = Places365(
    root="data",
    split="train-standard",
    small=True
)

trainchal_large_data = Places365(
    root="data",
    split="train-challenge",
    small=False
)

trainchal_small_data = Places365(
    root="data",
    split="train-challenge",
    small=True
)

val_large_data = Places365(
    root="data",
    split="val",
    small=False
)

val_small_data = Places365(
    root="data",
    split="val",
    small=True
)

len(trainstd_large_data), len(trainstd_small_data)
# (1803460, 1803460)

len(trainchal_large_data), len(trainchal_small_data)
# (8026628, 8026628)

len(val_large_data), len(val_small_data)
# (36500, 36500)

trainstd_large_data
# Dataset Places365
#     Number of datapoints: 1803460
#     Root location: data
#     Split: train-standard
#     Small: False

trainstd_large_data.root
# 'data'

trainstd_large_data.split
# 'train-standard'

trainstd_large_data.small
# False

trainstd_large_data.download_devkit
trainstd_large_data.download_images
# <bound method places365.download_devkit of dataset places365 number datapoints: root location: data split: train-standard small: false>

print(trainstd_large_data.transform)
# None

print(trainstd_large_data.target_transform)
# None

trainstd_large_data.loader
# <function torchvision.datasets.folder.default_loader str> Any>

len(trainstd_large_data.classes), trainstd_large_data.classes
# (365,
#  ['/a/airfield', '/a/airplane_cabin', '/a/airport_terminal',
#   '/a/alcove', '/a/alley', '/a/amphitheater', '/a/amusement_arcade',
#   '/a/amusement_park', '/a/apartment_building/outdoor',
#   '/a/aquarium', '/a/aqueduct', '/a/arcade', '/a/arch',
#   '/a/archaelogical_excavation', ..., '/y/youth_hostel', '/z/zen_garden'])

trainstd_large_data[0]
# (<pil.image.image image mode="RGB" size="683x512">, 0)

trainstd_large_data[1]
# (<pil.image.image image mode="RGB" size="768x512">, 0)

trainstd_large_data[2]
# (<pil.image.image image mode="RGB" size="718x512">, 0)

trainstd_large_data[5000]
# (<pil.image.image image mode="RGB" size="512x683" at>, 1)

trainstd_large_data[10000]
# (<pil.image.image image mode="RGB" size="683x512" at>, 2)

trainstd_small_data[0]
# (<pil.image.image image mode="RGB" size="256x256">, 0)

trainstd_small_data[1]
# (<pil.image.image image mode="RGB" size="256x256">, 0)

trainstd_small_data[2]
# (<pil.image.image image mode="RGB" size="256x256">, 0)

trainstd_small_data[5000]
# (<pil.image.image image mode="RGB" size="256x256">, 1)

trainstd_small_data[10000]
# (<pil.image.image image mode="RGB" size="256x256">, 2)

trainchal_large_data[0]
# (<pil.image.image image mode="RGB" size="683x512" at>, 0)

trainchal_large_data[1]
# (<pil.image.image image mode="RGB" size="768x512" at>, 0)

trainchal_large_data[2]
# (<pil.image.image image mode="RGB" size="718x512" at>, 0)

trainchal_large_data[38567]
# (<pil.image.image image mode="RGB" size="512x683" at>, 1)

trainchal_large_data[47891]
# (<pil.image.image image mode="RGB" size="683x512" at>, 2)

trainchal_small_data[0]
# (<pil.image.image image mode="RGB" size="256x256" at>, 0)

trainchal_small_data[1]
# (<pil.image.image image mode="RGB" size="256x256" at>, 0)

trainchal_small_data[2]
# (<pil.image.image image mode="RGB" size="256x256" at>, 0)

trainchal_small_data[38567]
# (<pil.image.image image mode="RGB" size="256x256" at>, 1)

trainchal_small_data[47891]
# (<pil.image.image image mode="RGB" size="256x256" at>, 2)

val_large_data[0]
# (<pil.image.image image mode="RGB" size="512x772" at>, 165)

val_large_data[1]
# (<pil.image.image image mode="RGB" size="600x493" at>, 358)

val_large_data[2]
# (<pil.image.image image mode="RGB" size="763x512" at>, 93)

val_large_data[3]
# (<pil.image.image image mode="RGB" size="827x512" at>, 164)

val_large_data[4]
# (<pil.image.image image mode="RGB" size="772x512" at>, 289)

val_small_data[0]
# (<pil.image.image image mode="RGB" size="256x256" at>, 165)

val_small_data[1]
# (<pil.image.image image mode="RGB" size="256x256" at>, 358)

val_small_data[2]
# (<pil.image.image image mode="RGB" size="256x256" at>, 93)

val_small_data[3]
# (<pil.image.image image mode="RGB" size="256x256" at>, 164)

val_small_data[4]
# (<pil.image.image image mode="RGB" size="256x256" at>, 289)

import matplotlib.pyplot as plt

def show_images(data, ims, main_title=None):
    plt.figure(figsize=(12, 6))
    plt.suptitle(t=main_title, y=1.0, fontsize=14)
    for i, j in enumerate(iterable=ims, start=1):
        plt.subplot(2, 5, i)
        im, lab = data[j]
        plt.imshow(X=im)
        plt.title(label=lab)
    plt.tight_layout(h_pad=3.0)
    plt.show()

trainstd_ims = (0, 1, 2, 5000, 10000, 15000, 20000, 25000, 30000, 35000)
trainchal_ims = (0, 1, 2, 38567, 47891, 74902, 98483, 137663, 150035, 161052)
val_ims = (0, 1, 2, 3, 4, 5, 6, 7, 8, 9)

show_images(data=trainstd_large_data, ims=trainstd_ims,
            main_title="trainstd_large_data")
show_images(data=trainstd_small_data, ims=trainstd_ims,
            main_title="trainstd_small_data")
show_images(data=trainchal_large_data, ims=trainchal_ims,
            main_title="trainchal_large_data")
show_images(data=trainchal_small_data, ims=trainchal_ims,
            main_title="trainchal_small_data")
show_images(data=val_large_data, ims=val_ims,
            main_title="val_large_data")
show_images(data=val_small_data, ims=val_ims,
            main_title="val_small_data")
</pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></function></bound>

Places in PyTorch

위 내용은 PyTorch의 장소의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명

본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

관련 기사

Python의 병합 목록 : 올바른 메소드 선택May 14, 2025 am 12:11 AM

Tomergelistsinpython, youcanusethe operator, extendmethod, listcomprehension, oritertools.chain, 각각은 각각의 지위를 불러 일으킨다

Python 3에서 두 목록을 연결하는 방법은 무엇입니까?May 14, 2025 am 12:09 AM

Python 3에서는 다양한 방법을 통해 두 개의 목록을 연결할 수 있습니다. 1) 작은 목록에 적합하지만 큰 목록에는 비효율적입니다. 2) 메모리 효율이 높지만 원래 목록을 수정하는 큰 목록에 적합한 확장 방법을 사용합니다. 3) 원래 목록을 수정하지 않고 여러 목록을 병합하는 데 적합한 * 운영자 사용; 4) 메모리 효율이 높은 대형 데이터 세트에 적합한 itertools.chain을 사용하십시오.

Python은 문자열을 연결합니다May 14, 2025 am 12:08 AM

join () 메소드를 사용하는 것은 Python의 목록에서 문자열을 연결하는 가장 효율적인 방법입니다. 1) join () 메소드를 사용하여 효율적이고 읽기 쉽습니다. 2)주기는 큰 목록에 비효율적으로 운영자를 사용합니다. 3) List Comprehension과 Join ()의 조합은 변환이 필요한 시나리오에 적합합니다. 4) READE () 방법은 다른 유형의 감소에 적합하지만 문자열 연결에 비효율적입니다. 완전한 문장은 끝납니다.

파이썬 실행, 그게 뭐야?May 14, 2025 am 12:06 AM

pythonexecutionissprocessoftransformingpythoncodeintoExecutableInstructions.1) the -interreadsTheCode, ConvertingItintoByTecode, thethepythonVirtualMachine (pvm)을 실행합니다

파이썬 : 주요 기능은 무엇입니까?May 14, 2025 am 12:02 AM

Python의 주요 특징은 다음과 같습니다. 1. 구문은 간결하고 이해하기 쉽고 초보자에게 적합합니다. 2. 개발 속도 향상, 동적 유형 시스템; 3. 여러 작업을 지원하는 풍부한 표준 라이브러리; 4. 광범위한 지원을 제공하는 강력한 지역 사회와 생태계; 5. 스크립팅 및 빠른 프로토 타이핑에 적합한 해석; 6. 다양한 프로그래밍 스타일에 적합한 다중-파라 디그 지원.

파이썬 : 컴파일러 또는 통역사?May 13, 2025 am 12:10 AM

Python은 해석 된 언어이지만 편집 프로세스도 포함됩니다. 1) 파이썬 코드는 먼저 바이트 코드로 컴파일됩니다. 2) 바이트 코드는 Python Virtual Machine에 의해 해석되고 실행됩니다. 3)이 하이브리드 메커니즘은 파이썬이 유연하고 효율적이지만 완전히 편집 된 언어만큼 빠르지는 않습니다.

루프 대 루프를위한 파이썬 : 루프시기는 언제 사용해야합니까?May 13, 2025 am 12:07 AM

USEAFORLOOPHENTERATINGOVERASERASERASPECIFICNUMBEROFTIMES; USEAWHILLOOPWHENTINUTIMONDITINISMET.FORLOOPSAREIDEALFORKNOWNSEDINGENCENCENS, WHILEWHILELOOPSSUITSITUATIONS WITHERMINGEDERITERATIONS.

파이썬 루프 : 가장 일반적인 오류May 13, 2025 am 12:07 AM

Pythonloopscanleadtoerrors likeinfiniteloops, modifyinglistsdizeration, off-by-by-byerrors, zero-indexingissues, andnestedloopineficiencies.toavoidthese : 1) aing'i

See all articles