KMNIST dans PyTorch

Achetez-moi un café☕

*Mon message explique KMNIST.

KMNIST() peut utiliser l'ensemble de données KMNIST comme indiqué ci-dessous :

*Mémos :

• Le 1er argument est root (Required-Type:str ou pathlib.Path). *Un chemin absolu ou relatif est possible.
• Le 2ème argument est train(Optional-Default:True-Type:bool). *Si c'est vrai, les données du train (60 000 images) sont utilisées tandis que si c'est faux, les données de test (10 000 images) sont utilisées.
• Le 3ème argument est transform(Optional-Default:None-Type:callable).
• Le 4ème argument est target_transform(Optional-Default:None-Type:callable).
• Le 5ème argument est download(Optional-Default:False-Type:bool) : *Mémos :
  • Si c'est vrai, l'ensemble de données est téléchargé depuis Internet et extrait (décompressé) vers root.
  • Si c'est vrai et que l'ensemble de données est déjà téléchargé, il est extrait.
  • Si c'est vrai et que l'ensemble de données est déjà téléchargé et extrait, rien ne se passe.
  • Il devrait être faux si l'ensemble de données est déjà téléchargé et extrait car il est plus rapide.
  • Vous pouvez télécharger et extraire manuellement l'ensemble de données à partir d'ici, par exemple. data/KMNIST/raw/.

from torchvision.datasets import KMNIST

train_data = KMNIST(
    root="data"
)

train_data = KMNIST(
    root="data",
    train=True,
    transform=None,
    target_transform=None,
    download=False
)

test_data = KMNIST(
    root="data",
    train=False
)

len(train_data), len(test_data)
# (60000, 10000)

train_data
# Dataset KMNIST
#     Number of datapoints: 60000
#     Root location: data
#     Split: Train

train_data.root
# 'data'

train_data.train
# True

print(train_data.transform)
# None

print(train_data.target_transform)
# None

train_data.download
# <bound method MNIST.download of Dataset KMNIST
#     Number of datapoints: 60000
#     Root location: data
#     Split: Train>

train_data[0]
# (<PIL.Image.Image image mode=L size=28x28>, 8)

train_data[1]
# (<PIL.Image.Image image mode=L size=28x28>, 7)

train_data[2]
# (<PIL.Image.Image image mode=L size=28x28>, 0)

train_data[3]
# (<PIL.Image.Image image mode=L size=28x28>, 1)

train_data[4]
# (<PIL.Image.Image image mode=L size=28x28>, 4)

train_data.classes
# ['o', 'ki', 'su', 'tsu', 'na', 'ha', 'ma', 'ya', 're', 'wo']

from torchvision.datasets import KMNIST

train_data = KMNIST(
    root="data",
    train=True
)

test_data = KMNIST(
    root="data",
    train=False
)

import matplotlib.pyplot as plt

def show_images(data):
    plt.figure(figsize=(12, 2))
    col = 5
    for i, (image, label) in enumerate(data, 1):
        plt.subplot(1, col, i)
        plt.title(label)
        plt.imshow(image)
        if i == col:
            break
    plt.show()

show_images(data=train_data)
show_images(data=test_data)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!