Tempat di PyTorch

Beli Saya Kopi☕

*Siaran saya menerangkan Places365.

Places365() boleh menggunakan dataset Places365 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 dibahagikan(Pilihan-Lalai:"train-standard"-Type:str). *"train-standard"(1,803,460 imej), "train-challenge"(8,026,628 imej) atau "val"(36,500 imej) boleh ditetapkan padanya. "test"(328,500 imej) tidak disokong jadi saya meminta ciri tersebut pada GitHub.
• Argumen ke-3 adalah kecil(Pilihan-Lalai:False-Type:bool).
• Argumen ke-4 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, ralat berlaku kerana folder yang diekstrak wujud. *Memadamkan folder yang diekstrak tidak akan mendapat ralat.
  • Ia sepatutnya Palsu jika set data sudah dimuat turun dan diekstrak untuk tidak mendapat ralat.
  • Dari sini:
    • untuk split="train-standard" dan small=False, anda boleh memuat turun dan mengekstrak set data filelist_places365-standard.tar secara manual dan train_large_places365standard.tar kepada data/ dan data/data_large_standard/ masing-masing.
    • untuk split="train-standard" dan small=True, anda boleh memuat turun dan mengekstrak set data filelist_places365-standard.tar secara manual dan train_256_places365standard.tar kepada data/ dan data/data_256_standard/ masing-masing.
    • untuk split="train-challenge" dan small=False, anda boleh memuat turun dan mengekstrak set data filelist_places365-challenge.tar secara manual dan train_large_places365challenge.tar kepada data/ dan data/data_large/ masing-masing.
    • untuk split="train-challenge" dan small=True, anda boleh memuat turun dan mengekstrak set data filelist_places365-challenge.tar secara manual dan train_256_places365challenge.tar kepada data/ dan data/data_256_challenge/ masing-masing.
    • untuk split="val" dan small=False, anda boleh memuat turun dan mengekstrak set data filelist_places365-standard.tar dan val_large.tar secara manual kepada data/ dan data/val_large/.
    • untuk split="val" dan small=True, anda boleh memuat turun dan mengekstrak set data filelist_places365-standard.tar dan val_large.tar secara manual kepada data/ dan data/val_256/ secara manual.
• Argumen ke-5 ialah transform(Optional-Default:None-Type:callable).
• Argumen ke-6 ialah target_transform(Optional-Default:None-Type:callable).
• Argumen ke-7 ialah pemuat(Optional-Default:torchvision.datasets.folder.default_loader-Type:callable).
• Mengenai label daripada kelas untuk indeks imej "standard kereta api", lapangan terbang(0) ialah 0~4999, kabin_kapal terbang(1) ialah 5000~9999, terminal_lapangan terbang(2) ialah 10000~14999, alcove(3) ialah 15000~19999, lorong(4) ialah 20000~24999, amfiteater(50)~2999 arked_amusement(6) ialah 30000~34999, amusement_park(7) ialah 35000~39999, bangunan_apartmen/luar rumah(8) ialah 35000~39999, bangunan_apartmen/luar(8) ialah 40
akuarium
• (9) ialah 45000~49999, dsb. Mengenai label daripada kelas untuk indeks imej "cabaran kereta api", lapangan terbang(0) ialah 0~38566, kabin_kapal terbang(1) ialah 38567~47890, terminal_lapangan terbang(2) ialah 47891~74901, alcove(3) ialah 74902~98482, lorong(4) ialah 98483~137662, amfiteater(503) ialah 1,503 arked_amusement(6) ialah 150035~161051, amusement_park(7) ialah 161052~201051, bangunan_apartmen/luar rumah2~20) ialah 2~20)
akuarium

(9) ialah 227873~267872, dsb.

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>

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