《动手学深度学习》-3.5-学习笔记

# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式，
# 并除以255使得所有像素的数值均在0～1之间
trans = transforms.ToTensor()#用于将图像数据从 PIL 图像格式（Python Imaging Library，Python 的图像处理库）转换为 PyTorch 张量（Tensor）。
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)#加载训练数据集
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)#加载测试数据集

• torchvision.datasets.FashionMNIST 是 PyTorch 提供的用于加载 FashionMNIST 数据集的类。

• 参数解释：

  • root="../data"：指定数据集的存储路径。如果数据集不存在，PyTorch 会自动下载到这个路径。

  • train=True：表示加载训练数据集。

  • transform=trans：指定对图像数据应用的预处理操作，这里是 transforms.ToTensor()，即将图像转换为归一化的张量。

  • download=True：如果指定路径下没有数据集，会自动从网络下载。

  •  了解基础情况：在 PyTorch 中，mnist_train 是一个 torchvision.datasets.FashionMNIST 数据集对象，它是一个可迭代的集合，包含了所有训练样本的图像和标签。mnist_train[3] 表示获取数据集中的第四个样本（索引从 0 开始），包括第四个样本的图像和标签。

  • image.shape 输出 torch.Size([1, 28, 28])，表示图像是一个张量（Tensor），形状为：

    • 1：表示图像有 1 个通道（灰度图）。

    • 28：图像的宽度为 28 像素。

    • 28：图像的高度为 28 像素。

  • label 输出的是一个整数，表示图像的类别标签。FashionMNIST 数据集有 10 个类别，每个类别对应一个整数标签（从 0 到 9）。
    

  • 

  • 打印出来看了一下
     

    def get_fashion_mnist_labels(labels): 
        """返回Fashion-MNIST数据集的文本标签"""
        text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                       'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
        return [text_labels[int(i)] for i in labels]

  • 这是一个列表推导式，用于将输入的整数标签列表 labels 转换为对应的文本标签列表。

  • 对于 labels 中的每个元素 i：

    • int(i) 确保 i 是整数（虽然通常 labels 已经是整数，但这里加了保险）。

    • text_labels[int(i)] 从 text_labels 列表中获取对应的文本标签。
      对text_labels

    • 列表的索引（从 0 到 9）对应于数据集中的整数标签。例如：

      • 0 对应 't-shirt'

      • 1 对应 'trouser'

      • 9 对应 'ankle boot'
        下面这段 仅仅是 使用这个函数，应用场景

      • 

def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): 
    """绘制图像列表"""
    figsize = (num_cols * scale, num_rows * scale)
    _, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
    axes = axes.flatten()
    for i, (ax, img) in enumerate(zip(axes, imgs)):
        if torch.is_tensor(img):
            # 图片张量
            ax.imshow(img.numpy())
        else:
            # PIL图片
            ax.imshow(img)
        ax.axes.get_xaxis().set_visible(False)
        ax.axes.get_yaxis().set_visible(False)
        if titles:
            ax.set_title(titles[i])
    return axes

 show_images 是一个用于批量显示图像的工具函数，

X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y));

从 FashionMNIST 数据集中加载一批图像，使用 show_images 函数将图像以 2 行 9 列的网格形式显示，并为每张图像添加文本标签。

 

创建Dataloader

batch_size = 256

def get_dataloader_workers():  
    """使用4个进程来读取数据"""
    return 4

train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,num_workers=get_dataloader_workers())

def load_data_fashion_mnist(batch_size, resize=None): 
    """下载Fashion-MNIST数据集"""
    trans = [transforms.ToTensor()]
    if resize:
        trans.insert(0, transforms.Resize(resize))
    trans = transforms.Compose(trans)
    mnist_train = torchvision.datasets.FashionMNIST(
        root="../data", train=True, transform=trans, download=True)
    mnist_test = torchvision.datasets.FashionMNIST(
        root="../data", train=False, transform=trans, download=True)
    return (data.DataLoader(mnist_train, batch_size, shuffle=True,
                            num_workers=get_dataloader_workers()),
            data.DataLoader(mnist_test, batch_size, shuffle=False,
                            num_workers=get_dataloader_workers()))

用于下载并加载 FashionMNIST 数据集，并将其转换为适合训练和测试的 DataLoader 对象。