一、 Transform与dataset数据集的使用

import torchvision

from torch.utils.tensorboard import SummaryWriter

dataset_transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])

train_set = torchvision.datasets.CIFAR10(root = "./dataset", train=True, transform=dataset_transform,download=True)
test_set = torchvision.datasets.CIFAR10(root = "./dataset", train=True, transform=dataset_transform, download=True)

 第三行代码实现的是数据集中的PIL型图片转换为tensor数据类型的图片；

在第四行与第五行代码中实现的是将从CIFAR10的数据集中获取数据，将下载的数据存放于dataset中，将数据图片转化为tensor型，否则报错，得到的是PIL型数据，而非numpy数据或者tensor数据。

writer = SummaryWriter("p10")
for i in range(10):
    img, target = test_set[i]
    writer.add_image("test_set", img, i)

writer.close()

使用tensorboard来查看。

tensorboard --logdir=learningplan1/p10

可查看到：

二、DataLoader的使用

作用：从dataset数据集中取出数据，如何取出数据，这就是由dataloader中的参数所决定。

import torchvision
# 准备的测试数据集
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

test_data = torchvision.datasets.CIFAR10("./dataset", train=False,transform=torchvision.transforms.ToTensor())

test_loader = DataLoader(dataset=test_data, batch_size=64, shuffle=False, num_workers=0, drop_last=True)
# 测试数据集中第一张图片集target
img, target = test_data[0]
print(img.shape)
print(target)

writer = SummaryWriter("dataloader")

for epoch in range(2):
    step = 0
    for data in test_loader: # 取出每一个循环
        imgs,targets = data
        # print(imgs.shape)
        # print(targets)
        writer.add_images("epoch:{}".format(epoch), imgs, step)
        step  +=1

writer.close()

结果：

上述实现的就是，循环0与1后，使用shuffle为Flase后，打乱的两版数据集。