QMNIST dalam PyTorch

Beli Saya Kopi☕

*Siaran saya menerangkan tentang QMNIST.

QMNIST() boleh menggunakan set data QMNIST 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 apa(Pilihan-Lalai:Tiada-Jenis:str). *"kereta api"(60,000 imej), "ujian"(60,000 imej), "test10k"(10,000 imej), "test50k"(50,000 imej) atau "nist"(402,953 imej) boleh ditetapkan padanya.
• Argumen ke-3 ialah compat(Pilihan-Lalai:True-Type:bool). *Jika Benar, nombor kelas bagi setiap imej dikembalikan (untuk keserasian dengan pemuat data MNIST) manakala jika Salah, tensor 1D bagi maklumat qmnist penuh dikembalikan.
• Argumen ke-4 ialah hujah kereta(Pilihan-Lalai:Jenis-Benar:bool): *Memo:
  • Ia diabaikan jika yang bukan Tiada.
  • Jika Benar, data kereta api(60,000 imej) digunakan manakala jika Salah, data ujian(60,000 imej) digunakan.
• Terdapat argumen transformasi(Pilihan-Lalai:Tiada-Jenis:boleh dipanggil). *transform= mesti digunakan.
• Terdapat hujah target_transform(Optional-Default:None-Type:callable). *target_transform= mesti digunakan.
• Terdapat hujah muat turun(Optional-Default:False-Type:bool): *Memo:
  • muat turun= mesti digunakan.
  • 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/QMNIST/mentah/.

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 datapoints: 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']
</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></bound>

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)

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