CIFAR dalam PyTorch

Beli Saya Kopi☕

*Siaran saya menerangkan CIFAR-100.

CIFAR100() boleh menggunakan set data CIFAR-100 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 train(Pilihan-Lalai:True-Type:bool). *Jika Benar, data kereta api(50,000 imej) digunakan manakala jika Salah, data ujian(10,000 imej) digunakan.
• 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 (cifar-100-python.tar.gz) secara manual dari sini ke data/cifar-100-python/.

from torchvision.datasets import CIFAR100

train_data = CIFAR100(
    root="data"
)

train_data = CIFAR100(
    root="data",
    train=True,
    transform=None,
    target_transform=None,
    download=False
)

test_data = CIFAR100(
    root="data",
    train=False
)

len(train_data), len(test_data)
# (50000, 10000)

train_data
# Dataset CIFAR100
#     Number of datapoints: 50000
#     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 CIFAR10.download of Dataset CIFAR100
#    Number of datapoints: 50000
#    Root location: data
#    Split: Train>

len(train_data.classes), train_data.classes
# (100,
#  ['apple', 'aquarium_fish', 'baby', 'bear', 'beaver', 'bed',
#   'bicycle', 'bottle', 'bowl', ..., 'wolf', 'woman', 'worm']

train_data[0]
# (<PIL.Image.Image image mode=RGB size=32x32>, 19)

train_data[1]
# (<PIL.Image.Image image mode=RGB size=32x32>, 29)

train_data[2]
# (<PIL.Image.Image image mode=RGB size=32x32>, 0)

train_data[3]
# (<PIL.Image.Image image mode=RGB size=32x32>, 11)

train_data[4]
# (<PIL.Image.Image image mode=RGB size=32x32>, 1)

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)
    for i, (im, lab) in enumerate(data, start=1):
        plt.subplot(2, 5, i)
        plt.title(label=lab)
        plt.imshow(X=im)
        if i == 10:
            break
    plt.tight_layout()
    plt.show()

show_images(data=train_data, main_title="train_data")
show_images(data=test_data, main_title="test_data")

Atas ialah kandungan terperinci CIFAR dalam PyTorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!