KMNIST dalam PyTorch

Beli Saya Kopi☕

*Siaran saya menerangkan KMNIST.

KMNIST() boleh menggunakan set data KMNIST seperti yang ditunjukkan di bawah:

*Memo:

• Argumen pertama ialah root(Required-Type:str or pathlib.Path). *Laluan mutlak atau relatif boleh dilakukan.
• Argumen ke-2 ialah train(Pilihan-Lalai:True-Type:bool). *Jika Benar, data kereta api(60,000 imej) digunakan manakala jika Salah, data ujian(10,000 imej) digunakan.
• Argumen ke-3 ialah transform(Optional-Default:None-Type:callable).
• Argumen ke-4 ialah target_transform(Optional-Default:None-Type:callable).
• Argumen ke-5 ialah muat turun(Optional-Default:False-Type:bool): *Memo:
  • Jika Benar, set data dimuat turun dari internet dan diekstrak (dibuka zip) ke akar.
  • Jika ia Benar dan set data sudah dimuat turun, ia akan diekstrak.
  • Jika ia Benar dan set data sudah dimuat turun dan diekstrak, tiada apa yang berlaku.
  • Ia sepatutnya Palsu jika set data sudah dimuat turun dan diekstrak kerana ia lebih pantas.
  • Anda boleh memuat turun dan mengekstrak set data secara manual dari sini ke mis. data/KMNIST/raw/.

from torchvision.datasets import KMNIST

train_data = KMNIST(
    root="data"
)

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

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

len(train_data), len(test_data)
# (60000, 10000)

train_data
# Dataset KMNIST
#     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 KMNIST
#     Number of datapoints: 60000
#     Root location: data
#     Split: Train>

train_data[0]
# (<PIL.Image.Image image mode=L size=28x28>, 8)

train_data[1]
# (<PIL.Image.Image image mode=L size=28x28>, 7)

train_data[2]
# (<PIL.Image.Image image mode=L size=28x28>, 0)

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

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

train_data.classes
# ['o', 'ki', 'su', 'tsu', 'na', 'ha', 'ma', 'ya', 're', 'wo']

from torchvision.datasets import KMNIST

train_data = KMNIST(
    root="data",
    train=True
)

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

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_data)

Atas ialah kandungan terperinci KMNIST dalam PyTorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!