Pytorch torchvision 包提供了很多常用数据集
数据按照用途一般分为三组：训练（train）、验证（validation）和测试（test）。使用训练数据集来训练模型，使用验证数据集跟踪模型在训练期间的性能，使用测试数据集对模型进行最终评估。
目录
导入MNIST训练数据集
提取训练数据和标签
同理操作验证数据集
给张量添加维度
打印示例图像
导入MNIST训练数据集
从 torchvision导入MNIST训练数据集
import torch
import torchvision
from torchvision import datasets
train_data=datasets.MNIST("./data",train=True,download=True)datasets.MNIST是Pytorch的内置函数
train=True指导入的数据作为训练数据集
download=True若根目录下没有数据集时自动下载
导入完成后可以看到MINST文件内的数据集
提取训练数据和标签
x_train, y_train=train_data.data,train_data.targets
print(x_train.shape)
print(y_train.shape)
x_train存储60000张28*28的图片，y_train存储60000张图片对应的数字（label）
同理操作验证数据集
从 torchvision导入MNIST验证数据集并提取数据和标签
val_data=datasets.MNIST("./data", train=False, download=True)
x_val,y_val=val_data.data, val_data.targets
print(x_val.shape)
print(y_val.shape) 
给张量添加维度
Pytorch中张量可以是一维、二维、三维或者更高维度的数据结构。一维张量类似于向量，二维张量类似于矩阵，三维张量类似一系列矩阵的堆叠。添加新的维度可以更好地对数据进行表示和处理。
if len(x_train.shape)==3:
x_train=x_train.unsqueeze(1)
print(x_train.shape)
if len(x_val.shape)==3:
x_val=x_val.unsqueeze(1)
print(x_val.shape).unsqueeze(0)指添加在第一个维度
也可以通过x_train.view(60000,1,28,28)添加维度
可以看到张量由三维变为了四维
打印示例图像
引入所需的包，定义一个辅助函数，将张量显示为图像
from torchvision import utils
import matplotlib.pyplot as plt
import numpy as np
def show(img):
npimg = img.numpy()
npimg_tr=np.transpose(npimg, (1,2,0))
plt.imshow(npimg_tr,interpolation='nearest')创建一个10*10的网格，每行10张图片，pedding=3指间隔为3
x_grid=utils.make_grid(x_train[:100], nrow=10, padding=3)
print(x_grid.shape)
show(x_grid)
utils.make_grid实际上是将多张图片拼接起来，参照官方介绍：
