深度学习（四）——torchvision中数据集的使用

1. 参数详解

torchvision中每个数据集的参数都是大同小异的，这里只介绍CIFAR10数据集
该数据集的数据格式为PIL格式

class torchvision.datasets.CIFAR10(root:str,train:bool=True,transform:Optional[Callable]=None,target_transform:Optional[Callable]=None,download:bool=False)

内置函数：
- root(string)：必须设置，输入数据集下载后存放在电脑中的路径
- train(bool)：_True_代表创建的一个训练集(train)；False代表创建一个测试集(test)。
- transform：对数据集中的数据进行变换
- target_transform：对标签(target)数据进行变换
- download(bool)：_True_的时候会自动从网上下载这个数据集，_False_的时候则不会下载该数据集。
代码示例：
- 运行后直接下载数据集
- 需要注意的是，如果下载速度过慢，则可以在运行后，把弹出的网址单拎出来，放到迅雷等软件上进行下载

import torchvision#设置训练集
#root:设置为相对路径，会在该.py文件下设置一个名为dataset的文件存放CIFAR10数据
#train: True,数据集为训练集
#download: 下载该数据集
train_set=torchvision.datasets.CIFAR10(root="./dataset",train=True,download=True)#设置测试集;train=False
test_set=torchvision.datasets.CIFAR10(root="./dataset",train=False,download=True)

数据标签查看：
- 在运行上面的代码下载好数据集后，输入print(test_set[0)，并使用一下pycharm的dubug功能，不难发现：
- 也就是说，数据标签有’airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, 'truck’十类，分别用整数0~9来表示
- 数据集包含的所有标签也可以用下面的代码打印出来：

print(test_set.classes)
#[Run] [airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

某条数据的PIL Image、标签的获取方法：img,target=test_set[索引]

img,target=test_set[0]
print(img)
print(target,test_set.classes[target])#[Run]
#<PIL.Image.Image image mode=RGB size=32x32 at 0x1DDF9FCD640>
#3  cat

显示图片：

img.show()

一、使用transform处理多组图像数据

代码示例

首先使用\(Compose\)去定义如何处理PIL图像数据
然后代入\(torchvision.datasets.CIFAR10\)中，处理里面的图像数据

#首先用Compose处理图像数据，可以先转为tensor格式，然后再裁剪等，这里只转tensor格式
import torchvision
dataset_transform=torchvision.transforms.Compose([torchvision.transforms.ToTensor()
])#定义transform=dataset_transform，使得图像数据类型转换为Compose中处理过后的
train_set=torchvision.datasets.CIFAR10(root="./dataset",train=True,transform=dataset_transform,download=True)
test_set=torchvision.datasets.CIFAR10(root="./dataset",train=False,transform=dataset_transform,download=True)

对处理过后的图像进行可视化操作

from torch.utils.tensorboard import SummaryWriter
writer=SummaryWriter("p10")
for i in range(10): #显示test_set数据集中的前十张图片img,target=test_set[i]writer.add_image("test_set",img,i)
writer.close()