PyTorch 中的位置-Python教學-PHP中文網

首頁

後端開發

Python教學

PyTorch 中的位置

Susan Sarandon

Dec 29, 2024 pm 12:08 PM

請我喝杯咖啡☕

*我的貼文解釋了 Places365。

Places365() 可以使用 Places365 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-standard」-類型：str）。 *可設定「train-standard」（1,803,460張圖像）、「train-challenge」（8,026,628張圖像）或「val」（36,500張圖像）。不支援「test」（328,500 張映像），因此我在 GitHub 上請求了該功能。
第三個參數很小（可選-預設：False-類型：bool）。
第四個參數是 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，則會發生錯誤，因為提取的資料夾存在。 *刪除解壓縮的資料夾不會出錯。
- 如果資料集已經下載並提取，則應該為 False，以免發生錯誤。
- 從這裡開始：
  - 對於split="train-standard"和small=False，您可以手動下載並提取資料集filelist_places365-standard.tar和train_large_places365standard.tar分別到data/和data/data_large_standard/
  - 對於split="train-standard"和small=True，您可以手動下載並提取資料集filelist_places365-standard.tar和train_256_places365standard.tar分別到data/和data/data_256_standard/
  - 對於split="train-challenge"和small=False，您可以手動下載並提取資料集filelist_places365-challenge.tar和train_large_places365challenge.tar分別到data/和data/data_large/
  - 對於split="train-challenge"和small=True，您可以手動下載並提取資料集filelist_places365-challenge.tar和train_256_places365challenge.tar分別到data/和data/data_256_challenge/。
  - 對於split="val" 和small=False，您可以手動下載資料集filelist_places365-standard.tar 和val_large.tar 並分別解壓縮到data/ 和data/val_large/。
  - 對於split="val" 和small=True，您可以手動下載資料集filelist_places365-standard.tar 和val_large.tar 並分別解壓縮到data/ 和data/val_256/
第五個參數是transform(Optional-Default:None-Type:callable)。
第 6 個參數是 target_transform(Optional-Default:None-Type:callable)。
第 7 個參數是 loader（可選-預設：torchvision.datasets.folder.default_loader-Type:callable）。
關於「火車標準」影像索引類別的標籤，airfield(0) 為0~4999，airplane_cabin(1) 為5000~9999， >(2) 為10000~14999, 壁龕(3)為15000~19999，小巷(4)為20000~24999，露天劇場(5)為250000~2999，amusement_arcade(6)是30000~34999，遊樂園(7)為35000~39999，公寓/戶外(8)為40000~44999，水族箱 關於「火車挑戰」影像索引類別的標籤，airfield
airplane_cabin(1) 為38567~47890，airport_terminal >(2)是47891~74901，壁龕(3)為74902~98482，小巷(4)為98483~137662，露天劇場(53) ~150034， 遊樂園(6) 為 150035~161051，遊樂園(7) 為 161052~201051，公寓樓/戶外(8) 201051，公寓樓/戶外(8) 2027225 水族館(9)是227873~267872等

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>

Places in PyTorch

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

陳述

本文內容由網友自願投稿，版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容，請聯絡admin@php.cn

Python中的合併列表：選擇正確的方法May 14, 2025 am 12:11 AM

Tomergelistsinpython，YouCanusethe操作員，estextMethod，ListComprehension，Oritertools

如何在Python 3中加入兩個列表？May 14, 2025 am 12:09 AM

在Python3中，可以通過多種方法連接兩個列表：1)使用運算符，適用於小列表，但對大列表效率低；2)使用extend方法，適用於大列表，內存效率高，但會修改原列表；3)使用*運算符，適用於合併多個列表，不修改原列表；4)使用itertools.chain，適用於大數據集，內存效率高。

Python串聯列表字符串May 14, 2025 am 12:08 AM

使用join()方法是Python中從列表連接字符串最有效的方法。 1)使用join()方法高效且易讀。 2)循環使用運算符對大列表效率低。 3)列表推導式與join()結合適用於需要轉換的場景。 4)reduce()方法適用於其他類型歸約，但對字符串連接效率低。完整句子結束。

Python執行，那是什麼？May 14, 2025 am 12:06 AM

pythonexecutionistheprocessoftransformingpypythoncodeintoExecutablestructions.1）InternterPreterReadSthecode，ConvertingTingitIntObyTecode，whepythonvirtualmachine（pvm）theglobalinterpreterpreterpreterpreterlock（gil）the thepythonvirtualmachine（pvm）

Python：關鍵功能是什麼May 14, 2025 am 12:02 AM

Python的關鍵特性包括：1.語法簡潔易懂，適合初學者；2.動態類型系統，提高開發速度；3.豐富的標準庫，支持多種任務；4.強大的社區和生態系統，提供廣泛支持；5.解釋性，適合腳本和快速原型開發；6.多範式支持，適用於各種編程風格。

Python：編譯器還是解釋器？May 13, 2025 am 12:10 AM

Python是解釋型語言，但也包含編譯過程。 1）Python代碼先編譯成字節碼。 2）字節碼由Python虛擬機解釋執行。 3）這種混合機制使Python既靈活又高效，但執行速度不如完全編譯型語言。

python用於循環與循環時：何時使用哪個？May 13, 2025 am 12:07 AM

UseeAforloopWheniteratingOveraseQuenceOrforAspecificnumberoftimes; useAwhiLeLoopWhenconTinuingUntilAcIntiment.forloopsareIdealForkNownsences，而WhileLeleLeleLeleLeleLoopSituationSituationsItuationsItuationSuationSituationswithUndEtermentersitations。