PyTorch 中的 QMNIST

請我喝杯咖啡☕

*我的貼文解釋了 QMNIST。

QMNIST()可以使用QMNIST資料集，如下所示：

*備忘錄：

• 第一個參數是 root（必要類型：str 或 pathlib.Path）。 *絕對或相對路徑都是可能的。
• 第二個參數是什麼（可選-預設：無-類型：str）。 *可設定「train」（60,000張圖片）、「test」（60,000張圖片）、「test10k」（10,000張圖片）、「test50k」（50,000張圖片）或「nist」（402,953張圖片）。
• 第三個參數是 compat(Optional-Default:True-Type:bool)。 *如果為 True，則傳回每個影像的類別號（為了與 MNIST 資料載入器相容），如果為 False，則傳回完整 qmnist 資訊的一維張量。
• 第四個參數是訓練參數（可選-預設：True-Type：bool）： *備註：
  • 如果不是 None 則被忽略。
  • 如果為 True，則使用訓練資料（60,000 張圖像），如果為 False，則使用測試資料（60,000 張圖像）。
• 有轉換參數（可選-預設：無-類型：可呼叫）。必須使用*transform=。
• 有 target_transform 參數（可選-預設：無-類型：可呼叫）。必須使用*target_transform=。
• 有下載參數（可選-預設：False-類型：bool）： *備註：
  • download=必須使用。
  • 如果為 True，則從網路下載資料集並解壓縮（解壓縮）到根目錄。
  • 如果為 True 並且資料集已下載，則將其提取。
  • 如果為 True 並且資料集已下載並提取，則不會發生任何事情。
  • 如果資料集已經下載並提取，則應該為 False，因為它速度更快。
  • 您可以從此處手動下載並提取資料集，例如資料/QMNIST/原始/。

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)

以上是PyTorch 中的 QMNIST的詳細內容。更多資訊請關注PHP中文網其他相關文章！