Caltech dalam PyTorch
Beli Saya Kopi☕
*Siaran saya menerangkan Caltech 101.
Caltech101() boleh menggunakan dataset Caltech 101 seperti yang ditunjukkan di bawah:
*Memo:
- Argumen pertama ialah root(Required-Type:str or pathlib.Path). *Laluan mutlak atau relatif boleh dilakukan.
- Argumen ke-2 ialah target_type(Optional-Default:"category"-Type:str or tuple or list of str). *"kategori" dan/atau "anotasi" boleh ditetapkan padanya.
- Argumen ke-3 ialah transform(Optional-Default:None-Type:callable).
- Argumen ke-4 ialah target_transform(Optional-Default:None-Type:callable).
- Argumen ke-5 ialah muat turun(Optional-Default:False-Type:bool):
*Memo:
- Jika Benar, set data dimuat turun dari internet dan diekstrak (dibuka zip) ke akar.
- Jika ia Benar dan set data sudah dimuat turun, ia akan diekstrak.
- Jika ia Benar dan set data sudah dimuat turun dan diekstrak, tiada apa yang berlaku.
- Ia sepatutnya Palsu jika set data sudah dimuat turun dan diekstrak kerana ia lebih pantas.
- Anda boleh memuat turun dan mengekstrak set data secara manual (101_ObjectCategories.tar.gz dan Anotasi.tar) dari sini ke data/caltech101/.
- Mengenai kategori indeks imej, Muka(0) ialah 0~434, Mudah_Muka(1) ialah 435~869, Leopards(2 ) ialah 870~1069, Motosikal(3) ialah 1070~1867, akordion(4) ialah 1868~1922, kapal terbang(5) ialah 1923~2722, 🎜>(6) ialah 2723~2764, semut(7) ialah 2765~2806, tong(8) ialah 2807~2853, bass(9) ialah 2854~2907, dll .
from torchvision.datasets import Caltech101 category_data = Caltech101( root="data" ) category_data = Caltech101( root="data", target_type="category", transform=None, target_transform=None, download=False ) annotation_data = Caltech101( root="data", target_type="annotation" ) all_data = Caltech101( root="data", target_type=["category", "annotation"] ) len(category_data), len(annotation_data), len(all_data) # (8677, 8677, 8677) category_data # Dataset Caltech101 # Number of datapoints: 8677 # Root location: data\caltech101 # Target type: ['category'] category_data.root # 'data/caltech101' category_data.target_type # ['category'] print(category_data.transform) # None print(category_data.target_transform) # None category_data.download # <bound method Caltech101.download of Dataset Caltech101 # Number of datapoints: 8677 # Root location: data\caltech101 # Target type: ['category']> len(category_data.categories) # 101 category_data.categories # ['Faces', 'Faces_easy', 'Leopards', 'Motorbikes', 'accordion', # 'airplanes', 'anchor', 'ant', 'barrel', 'bass', 'beaver', # 'binocular', 'bonsai', 'brain', 'brontosaurus', 'buddha', # 'butterfly', 'camera', 'cannon', 'car_side', 'ceiling_fan', # 'cellphone', 'chair', 'chandelier', 'cougar_body', 'cougar_face', ...] len(category_data.annotation_categories) # 101 category_data.annotation_categories # ['Faces_2', 'Faces_3', 'Leopards', 'Motorbikes_16', 'accordion', # 'Airplanes_Side_2', 'anchor', 'ant', 'barrel', 'bass', # 'beaver', 'binocular', 'bonsai', 'brain', 'brontosaurus', # 'buddha', 'butterfly', 'camera', 'cannon', 'car_side', # 'ceiling_fan', 'cellphone', 'chair', 'chandelier', 'cougar_body', ...] category_data[0] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=510x337>, 0) category_data[1] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=519x343>, 0) category_data[2] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=492x325>, 0) category_data[435] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=290x334>, 1) category_data[870] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=192x128>, 2) annotation_data[0] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=510x337>, # array([[10.00958466, 8.18210863, 8.18210863, 10.92332268, ...], # [132.30670927, 120.42811502, 103.52396166, 90.73162939, ...]])) annotation_data[1] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=519x343>, # array([[15.19298246, 13.71929825, 15.19298246, 19.61403509, ...], # [121.5877193, 103.90350877, 80.81578947, 64.11403509, ...]])) annotation_data[2] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=492x325>, # array([[10.40789474, 7.17807018, 5.79385965, 9.02368421, ...], # [131.30789474, 120.69561404, 102.23947368, 86.09035088, ...]])) annotation_data[435] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=290x334>, # array([[64.52631579, 95.31578947, 123.26315789, 149.31578947, ...], # [15.42105263, 8.31578947, 10.21052632, 28.21052632, ...]])) annotation_data[870] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=192x128>, # array([[2.96536524, 7.55604534, 19.45780856, 33.73992443, ...], # [23.63413098, 32.13539043, 33.83564232, 8.84193955, ...]])) all_data[0] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=510x337>, # (0, array([[10.00958466, 8.18210863, 8.18210863, 10.92332268, ...], # [132.30670927, 120.42811502, 103.52396166, 90.73162939, ...]])) all_data[1] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=519x343>, # (0, array([[15.19298246, 13.71929825, 15.19298246, 19.61403509, ...], # [121.5877193, 103.90350877, 80.81578947, 64.11403509, ...]])) all_data[2] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=492x325>, # (0, array([[10.40789474, 7.17807018, 5.79385965, 9.02368421, ...], # [131.30789474, 120.69561404, 102.23947368, 86.09035088, ...]])) all_data[3] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=538x355>, # (0, array([[19.54035088, 18.57894737, 26.27017544, 38.2877193, ...], # [131.49122807, 100.24561404, 74.2877193, 49.29122807, ...]])) all_data[4] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=528x349>, # (0, array([[11.87982456, 11.87982456, 13.86578947, 15.35526316, ...], # [128.34649123, 105.50789474, 91.60614035, 76.71140351, ...]])) import matplotlib.pyplot as plt def show_images(data, main_title=None): plt.figure(figsize=(10, 5)) plt.suptitle(t=main_title, y=1.0, fontsize=14) ims = (0, 1, 2, 435, 870, 1070, 1868, 1923, 2723, 2765, 2807, 2854) for i, j in enumerate(ims, start=1): plt.subplot(2, 5, i) if len(data.target_type) == 1: if data.target_type[0] == "category": im, lab = data[j] plt.title(label=lab) elif data.target_type[0] == "annotation": im, (px, py) = data[j] plt.scatter(x=px, y=py) plt.imshow(X=im) elif len(data.target_type) == 2: if data.target_type[0] == "category": im, (lab, (px, py)) = data[j] elif data.target_type[0] == "annotation": im, ((px, py), lab) = data[j] plt.title(label=lab) plt.imshow(X=im) plt.scatter(x=px, y=py) if i == 10: break plt.tight_layout() plt.show() show_images(data=category_data, main_title="category_data") show_images(data=annotation_data, main_title="annotation_data") show_images(data=all_data, main_title="all_data")
Atas ialah kandungan terperinci Caltech dalam PyTorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak
