请我喝杯咖啡☕
*我的帖子解释了 imagenet。
imagenet()可以使用imagenet数据集，如下所示：
*备忘录：
第一个参数是 root（必需类型：str 或 pathlib.path）。 *绝对或相对路径都是可能的。第二个参数是 split(可选-默认:”train”-类型:str): *备注：可以设置“train”（1,281,167张图片）或“val”（50,000张图片）。不支持“测试”（100,000 张图像），因此我在 github 上请求了该功能。有转换参数（可选-默认：无-类型：可调用）。必须使用*transform=。有 target_transform 参数（可选-默认：无-类型：可调用）。 – 有转换参数（可选-默认：无-类型：可调用）。必须使用*target_transform=。有 loader 参数（可选-默认：torchvision.datasets.folder.default_loader-类型：可调用）。 *loader=必须使用。您必须手动下载数据集（ilsvrc2012_devkit_t12.tar.gz、ilsvrc2012_img_train.tar 和 ilsvrc2012_img_val.tar 到 data/，然后运行 imagenet() 提取并加载数据集。关于训练图像索引和验证图像索引的类别标签，tench&tincatinca(0) 分别为 0~1299 和 0~49，goldfish &鲫鱼(1) 是1300~2599 和 50~99, 大白鲨&白鲨&食人鲨&食人鲨&carcharodon carcharias(2) 2600~3899和 100~149，虎鲨&galeocerdo cuvieri(3) 是 3900~5199 和 150~199，锤头鲨&锤头鲨 (4) 为 5200~6499 且200~249，电鳐&蟹钳鱼&麻木鱼&鱼雷(5)分别为6500~7799和250~299，黄貂鱼(6) 是7800~9099和250~299，公鸡(7)是9100~10399和300~349，母鸡(8)是10400~11699和350~399， 鸵鸟&鸵鸟（9）分别是11700~12999和400~449等。
from torchvision.datasets import ImageNetfrom torchvision.datasets.folder import default_loadertrain_data = ImageNet( root="data")train_data = ImageNet( root="data", split="train", transform=None, target_transform=None, loader=default_loader)val_data = ImageNet( root="data", split="val")len(train_data), len(val_data)# (1281167, 50000)train_data# Dataset ImageNet# Number of datapoints: 1281167# Root location: D:/data# Split: traintrain_data.root# 'data'train_data.split# 'train'print(train_data.transform)# Noneprint(train_data.target_transform)# Nonetrain_data.loader# Any>len(train_data.classes), train_data.classes# (1000,# [('tench', 'Tinca tinca'), ('goldfish', 'Carassius auratus'),# ('great white shark', 'white shark', 'man-eater', 'man-eating shark',# 'Carcharodon carcharias'), ('tiger shark', 'Galeocerdo cuvieri'),# ('hammerhead', 'hammerhead shark'), ('electric ray', 'crampfish',# 'numbfish', 'torpedo'), ('stingray',), ('cock',), ('hen',),# ('ostrich', 'Struthio camelus'), ..., ('bolete',), ('ear', 'spike',# 'capitulum'), ('toilet tissue', 'toilet paper', 'bathroom tissue')])train_data[0]# (, 0)train_data[1]# (, 0)train_data[2]# (, 0)train_data[1300]# (, 1)train_data[2600]# (, 2)val_data[0]# (, 0)val_data[1]# (, 0)val_data[2]# (, 0)val_data[50]# (, 1)val_data[100]# (, 2)import matplotlib.pyplot as pltdef show_images(data, ims, main_title=None): plt.figure(figsize=[12, 6]) plt.suptitle(t=main_title, y=1.0, fontsize=14) for i, j in enumerate(iterable=ims, start=1): plt.subplot(2, 5, i) im, lab = data[j] plt.imshow(X=im) plt.title(label=lab) plt.tight_layout(h_pad=3.0) plt.show()train_ims = [0, 1, 2, 1300, 2600, 3900, 5200, 6500, 7800, 9100]val_ims = [0, 1, 2, 50, 100, 150, 200, 250, 300, 350]show_images(data=train_data, ims=train_ims, main_title="train_data")show_images(data=val_data, ims=val_ims, main_title="val_data")
以上就是PyTorch 中的 ImageNet的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1355076.html
微信扫一扫 
支付宝扫一扫 
