Bunga dalam PyTorch

Beli Saya Kopi☕

*Siaran saya menerangkan Oxford 102 Flower.

Flowers102() boleh menggunakan dataset Oxford 102 Flower 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 dipecahkan(Pilihan-Lalai:"train"-Type:str). *"kereta api"(1,020 imej), "val"(1,020 imej) atau "ujian"(6,149 imej) boleh ditetapkan kepadanya.
• 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 (102flowers.tgz dengan imagelabels.mat dan setid.matff dari sini ke data/flowers-102/.
• Mengenai label dari kategori(kelas) untuk kereta api dan indeks imej pengesahan, 0 ialah 0~9, 1 ialah 10~19, 2 ialah 20~29, 3 ialah 30~39, 4 ialah 40~49, 5 ialah 50~59, 6 ialah 60~69, 7 ialah 70~79, 8 ialah 80~89, 9 ialah 90~99, dsb.
• Mengenai label daripada kategori(kelas) untuk indeks imej ujian, 0 ialah 0~19, 1 ialah 20~59, 2 ialah 60~79, 3 ialah 80~115, 4 ialah 116~160, 5 ialah 161~185, 6 ialah 186~205, 7 ialah 206~270, 8 ialah 271~296, 9 ialah 297~321, dsb.

from torchvision.datasets import Flowers102

train_data = Flowers102(
    root="data"
)

train_data = Flowers102(
    root="data",
    split="train",
    transform=None,
    target_transform=None,
    download=False
)

val_data = Flowers102(
    root="data",
    split="val"
)

test_data = Flowers102(
    root="data",
    split="test"
)

len(train_data), len(val_data), len(test_data)
# (1020, 1020, 6149)

train_data
# Dataset Flowers102
#     Number of datapoints: 1020
#     Root location: data
#     split=train

train_data.root
# 'data'

train_data._split
# 'train'

print(train_data.transform)
# None

print(train_data.target_transform)
# None

train_data.download
# <bound method flowers102.download of dataset flowers102 number datapoints: root location: data split="train">

len(set(train_data._labels)), train_data._labels
# (102,
#  [0, 0, 0, ..., 1, ..., 2, ..., 3, ..., 4, ..., 5, ..., 6, ..., 101])

train_data[0]
# (<pil.image.image image mode="RGB" size="754x500">, 0)

train_data[1]
# (<pil.image.image image mode="RGB" size="624x500">, 0)

train_data[2]
# (<pil.image.image image mode="RGB" size="667x500">, 0)

train_data[10]
# (<pil.image.image image mode="RGB" size="500x682">, 1)

train_data[20]
# (<pil.image.image image mode="RGB" size="667x500">, 2)

val_data[0]
# (<pil.image.image image mode="RGB" size="606x500">, 0)

val_data[1]
# (<pil.image.image image mode="RGB" size="667x500">, 0)

val_data[2]
# (<pil.image.image image mode="RGB" size="500x628">, 0)

val_data[10]
# (<pil.image.image image mode="RGB" size="500x766">, 1)

val_data[20]
# (<pil.image.image image mode="RGB" size="624x500">, 2)

test_data[0]
# (<pil.image.image image mode="RGB" size="523x500">, 0)

test_data[1]
# (<pil.image.image image mode="RGB" size="666x500">, 0)

test_data[2]
# (<pil.image.image image mode="RGB" size="595x500">, 0)

test_data[20]
# (<pil.image.image image mode="RGB" size="500x578">, 1)

test_data[60]
# (<pil.image.image image mode="RGB" size="500x625">, 2)

import matplotlib.pyplot as plt

def show_images(data, ims, main_title=None):
    plt.figure(figsize=(10, 5))
    plt.suptitle(t=main_title, y=1.0, fontsize=14)
    for i, j in enumerate(ims, start=1):
        plt.subplot(2, 5, i)
        im, lab = data[j]
        plt.imshow(X=im)
        plt.title(label=lab)
    plt.tight_layout()
    plt.show()

train_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70)
val_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70)
test_ims = (0, 1, 2, 20, 60, 80, 116, 161, 186, 206)

show_images(data=train_data, ims=train_ims, main_title="train_data")
show_images(data=train_data, ims=val_ims, main_title="val_data")
show_images(data=test_data, ims=test_ims, main_title="test_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></bound>

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