小编点评

**一、 科研数据集下载链接：** ```python https://pytorch.org/vision/stable/index.html ``` **二、 CIFAR10数据集详解具体网站：** * **CIFAR10 — Torchvision 0.15 documentation**1. **三、 使用transform处理多组图像数据代码示例：** ```python import torchvisiondataset_transform # 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 SummaryWriterwriter=SummaryWriter(\"p10\") for i in range(10): img,target=test_set[i] writer.add_image(\"test_set\",img,i)writer.close() ``` **四、 其他补充说明：** * 该代码示例使用的是TensorBoard库来可视化图像数据。 * `transform`函数可以应用多种数据变换，例如ToTensor、Normalize等。 * `torchvision.datasets.CIFAR10`类可以用于加载CIFAR10数据集。 * `Dataset.classes`属性可以获取数据集中的标签类别。

正文

一、 科研数据集

下载链接：

https://pytorch.org/vision/stable/index.html

本文中我们使用的是\(CIFAR\)数据集

二、CIFAR10数据集详解

具体网站：

CIFAR10 — Torchvision 0.15 documentation

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()

三、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()