PyTorch 中的花朵

請我喝杯咖啡☕

*我的貼文解釋了牛津 102 花。

Flowers102()可以使用Oxford 102 Flower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 split(可選-預設:"train"-類型:str)。 *可以設定「train」（1,020張圖片）、「val」（1,020張圖片）或「test」（6,149張圖片）。
• 第三個參數是transform(Optional-Default:None-Type:callable)。
• 第四個參數是 target_transform(Optional-Default:None-Type:callable)。
• 第五個參數是 download(可選-預設:False-類型:bool): *備註：
  • 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（102flowers.tgz 以及 imagelabels.mat 和 setid.matff 到 data/flowers-102/。
• 關於訓練和驗證影像索引的類別（類）的標籤，0是0~9，1是10~19，2是20~29，3是30~39，4是40~49， 5為50 ~59，6為60~69，7為70~79，8為80~89，9為90~99等
• 關於測試影像索引的類別（類別）標籤，0為0~19，1為20~59，2為60~79，3為80~115，4為116~160，5為161~185， 6為186~205，7為206~270，8為271~296，9為297~321等。

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>

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