[Pytorch] Proyecto de programación de predicción de imágenes de CNN: preparar los datos

- Preparar los datos Preparar los datos

ETL

E:Extracto - Obtener datos de imagen Fashion-MNIST de la fuente
T:Transformar - Convertir datos de imagen a forma de tensor Pytorch
L:Cargar Cargar - Poner nuestros datos de imagen en un objeto de fácil acceso

visión de la antorcha

recurso de torchvision
1.Conjuntos de datos (como MNIST y Fashion-MNIST) conjunto de datos
2.Modelos modelo
3.Conversión de transformaciones
4.Utilidad de utilidades

Conjunto de datos Conjunto
de datos Cargador de datos Cargador de datos

__getitem__: obtener un elemento de una posición de índice específica en el conjunto de datos
__len__: devolver la longitud del conjunto de datos

Extraer y transformar

train_set conjunto de entrenamiento
raíz directorio raíz: la ubicación en el disco duro donde se encuentran los datos
parámetro de entrenamiento de tren: queremos que los datos se usen para la
descarga del conjunto de entrenamiento parámetro de descarga: si los datos no aparecen en el directorio raíz que especificamos, descargue el
parámetro de transformación de transformación de datos: en Composición de transformaciones realizadas en elementos del conjunto de datos
transforms.Compose Composición de transformaciones
transforms.ToTensor Convert to Tensor

carga

Información del conjunto de datos

torch.set_printoptions: establece el ancho de línea de los resultados de impresión de Pytorch

len 长度:查看数据集中的图像数量
train_set.train_labels:数据集的标签张量，对实际的类名或标签进行编码，如0代表T恤，9代表踝靴
train_set.train_labels.bincount:数据集的标签张量的频数分布，bincount一致说明数据集平衡，反之则不平衡

版本更迭导致的变动：train_labels已改为targets

迭代

1.要从训练集对象中访问一个单独的元素，我们首先将一个训练集对象传递给Python内置的iter函数（迭代器），它返回一个表示数据流的对象，然后我们可以进行迭代。有了数据流，我们可以使用Python内置的next函数来获取数据流中的下一个数据元素。
2.sample包含了2项，这是因为训练集中包含的是图像标签对，我们从训练集中获取的每个sample都包含图像数据张量以及相应的标签张量。
3.因为sample是一个Python序列类型，我们可以使用一个被称为序列解压缩的概念来分配图像和标签。