PyTorch 中的位置-Python教程-PHP中文网

首页

后端开发

Python教程

PyTorch 中的位置

Susan Sarandon

Dec 29, 2024 pm 12:08 PM

请我喝杯咖啡☕

*我的帖子解释了 Places365。

Places365() 可以使用 Places365 数据集，如下所示：

*备忘录：

第一个参数是 root（必需类型：str 或 pathlib.Path）。 *绝对或相对路径都是可能的。
第二个参数是 split（可选-默认：“train-standard”-类型：str）。 *可以设置“train-standard”（1,803,460张图像）、“train-challenge”（8,026,628张图像）或“val”（36,500张图像）。不支持“test”（328,500 张图像），因此我在 GitHub 上请求了该功能。
第三个参数很小（可选-默认：False-类型：bool）。
第四个参数是 download(可选-默认:False-类型:bool): *备注：
- 如果为 True，则从互联网下载数据集并解压（解压）到根目录。
- 如果为 True 并且数据集已下载，则将其提取。
- 如果为 True 并且数据集已下载并提取，则会发生错误，因为提取的文件夹存在。 *删除解压的文件夹不会出错。
- 如果数据集已经下载并提取，则应该为 False，以免出现错误。
- 从这里开始：
  - 对于split="train-standard"和small=False，您可以手动下载并提取数据集filelist_places365-standard.tar和train_large_places365standard.tar分别到data/和data/data_large_standard/
  - 对于split="train-standard"和small=True，您可以手动下载并提取数据集filelist_places365-standard.tar和train_256_places365standard.tar分别到data/和data/data_256_standard/
  - 对于split="train-challenge"和small=False，您可以手动下载并提取数据集filelist_places365-challenge.tar和train_large_places365challenge.tar分别到data/和data/data_large/
  - 对于split="train-challenge"和small=True，您可以手动下载并提取数据集filelist_places365-challenge.tar和train_256_places365challenge.tar分别到data/和data/data_256_challenge/。
  - 对于split="val" 和small=False，您可以手动下载数据集filelist_places365-standard.tar 和val_large.tar 并分别解压到data/ 和data/val_large/。
  - 对于split="val" 和small=True，您可以手动下载数据集filelist_places365-standard.tar 和val_large.tar 并分别解压到data/ 和data/val_256/
第五个参数是transform(Optional-Default:None-Type:callable)。
第 6 个参数是 target_transform(Optional-Default:None-Type:callable)。
第 7 个参数是 loader（可选-默认：torchvision.datasets.folder.default_loader-Type:callable）。
关于“火车标准”图像索引类的标签，airfield(0) 为 0~4999，airplane_cabin(1) 为 5000~9999，airport_terminal(2) 为 10000~14999, 壁龛(3)为15000~19999，小巷(4)为20000~24999，露天剧场(5)为25000~29999，amusement_arcade(6) 是30000~34999，游乐园(7)为35000~39999，公寓/户外(8)为40000~44999，水族馆(9)为45000~49999 ,等等
关于“火车挑战”图像索引类的标签，airfield(0) 为 0~38566，airplane_cabin(1) 为 38567~47890，airport_terminal(2) 是47891~74901，壁龛(3)为74902~98482，小巷(4)为98483~137662，露天剧场(5)为137663~150034， 游乐园(6) 为 150035~161051，游乐园(7) 为 161052~201051，公寓楼/户外(8) 为 201052~227872， 水族馆(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 中的位置的详细内容。更多信息请关注PHP中文网其他相关文章！

声明

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn

Python中的合并列表：选择正确的方法May 14, 2025 am 12:11 AM

Tomergelistsinpython，YouCanusethe操作员，estextMethod，ListComprehension，Oritertools

如何在Python 3中加入两个列表？May 14, 2025 am 12:09 AM

在Python3中，可以通过多种方法连接两个列表：1)使用运算符，适用于小列表，但对大列表效率低；2)使用extend方法，适用于大列表，内存效率高，但会修改原列表；3)使用*运算符，适用于合并多个列表，不修改原列表；4)使用itertools.chain，适用于大数据集，内存效率高。

Python串联列表字符串May 14, 2025 am 12:08 AM

使用join()方法是Python中从列表连接字符串最有效的方法。1)使用join()方法高效且易读。2)循环使用运算符对大列表效率低。3)列表推导式与join()结合适用于需要转换的场景。4)reduce()方法适用于其他类型归约，但对字符串连接效率低。完整句子结束。

Python执行，那是什么？May 14, 2025 am 12:06 AM

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

Python：关键功能是什么May 14, 2025 am 12:02 AM

Python的关键特性包括：1.语法简洁易懂，适合初学者；2.动态类型系统，提高开发速度；3.丰富的标准库，支持多种任务；4.强大的社区和生态系统，提供广泛支持；5.解释性，适合脚本和快速原型开发；6.多范式支持，适用于各种编程风格。

Python：编译器还是解释器？May 13, 2025 am 12:10 AM

Python是解释型语言，但也包含编译过程。1）Python代码先编译成字节码。2）字节码由Python虚拟机解释执行。3）这种混合机制使Python既灵活又高效，但执行速度不如完全编译型语言。

python用于循环与循环时：何时使用哪个？May 13, 2025 am 12:07 AM

useeAforloopWheniteratingOveraseQuenceOrforAspecificnumberoftimes; useAwhiLeLoopWhenconTinuingUntilAcIntiment.ForloopSareIdeAlforkNownsences，而WhileLeleLeleLeleLoopSituationSituationSituationsItuationSuationSituationswithUndEtermentersitations。