前言：

        CIFAR-10和CIFAR-100是8000万个微小图像数据集的标记子集。它们由Alex Krizhevsky、Vinod Nair和Geoffrey Hinto收集

目录：

1.      CIFAR-10数据集简介
2.      在线下载方式
3.      离线下载方式

---

一 CIFAR-10数据集简介

   

        CIFAR-10数据集由10个类别的60000张32x32彩色图像组成，每个类别有6000张图像。有50000个训练图像和10000个测试图像。

        数据集分为五个训练批次和一个测试批次，每个批次有10000张图像。测试批次包含从每个类别中随机选择的1000幅图像。训练批包含按随机顺序排列的剩余图像，但一些训练批可能包含来自一个类的图像多于来自另一类的图像。在它们之间，训练批次正好包含每个类的5000个图像。

以下是数据集中的类，以及每个类的10张随机图像：

Here are the classes in the dataset, as well as 10 random images from each:

---

二  在线下载方式

    

# -*- coding: utf-8 -*-
"""
Created on Wed Jun 14 15:04:59 2023

@author: cxf
"""

import torch
from torchvision import datasets
from torchvision import transforms
from torch.utils.data import DataLoader


def download():
    
    maxIter = 2
    dataset_trans = transforms.Compose([
    transforms.ToTensor(),transforms.Resize((32,32))
    ]) 
    
    cifar = datasets.CIFAR10(root='cifar',train=True,transform= dataset_trans,download =True) #一次只加载一个
                             
    
    train_data = DataLoader(cifar, batch_size=32,shuffle=True)
    
  
    # DataLoader迭代产生训练数据提供给模型
    for i in range(maxIter):
        
        for index,(img,label) in enumerate(train_data):
            pass
                             
if __name__ == "__main__":
    
    download()

---

二  离线下载方式

   如果PC没安装代理，直接通过在线访问的方式会非常慢，

长时间无反应，可以通过离线方式下载

 1：进入 CIFAR-10 and CIFAR-100 datasets

2： 选择python version

 3: 下载完离线包后，解压缩到本地

 4： 把datasets 里面的

       root 路径设置成img 的路径

       download  设置成False

# -*- coding: utf-8 -*-
"""
Created on Wed Jun 14 15:04:59 2023

@author: cxf
"""

import torch
from torchvision import datasets
from torchvision import transforms
from torch.utils.data import DataLoader


def download():
    
    print("\n start")
    rootDir='./data'
    maxIter = 2
    dataset_trans = transforms.Compose([
    transforms.ToTensor(),transforms.Resize((32,32))
    ]) 
    
    cifar = datasets.CIFAR10(root=rootDir,train=True,transform= dataset_trans,download =False) #一次只加载一个
                             
    
    train_data = DataLoader(cifar, batch_size=32,shuffle=True)
    
  
    # DataLoader迭代产生训练数据提供给模型
    for i in range(maxIter):
        
        for index,(img,label) in enumerate(train_data):
            print("\n index: %d"%index, "\t label",label, "\t  img",img.shape)
            pass
                             
if __name__ == "__main__":
    
    download()