代码拉取完成,页面将自动刷新
torchvision.datasets
中包含了以下数据集
所有数据集都是torch.utils.data.Dataset
的子类, 即它们具有getitem和len实现方法。因此,它们都可以传递给torch.utils.data.DataLoader
可以使用torch.multiprocessing
工作人员并行加载多个样本的数据。例如:
imagenet_data = torchvision.datasets.ImageFolder('path/to/imagenet_root/')
data_loader = torch.utils.data.DataLoader(imagenet_data,
batch_size=4,
shuffle=True,
num_workers=args.nThreads)
所有的数据集都有几乎相似的 API。他们都有两个共同的参数: transform 和 target_transform 分别转换输入和目标。
dset.MNIST(root, train=True, transform=None, target_transform=None, download=False)
参数说明:
root
: 数据集,存在于根目录 processed/training.pt 和 processed/test.pt 中。train
: True
= 训练集, False
= 测试集download
: 如果为 true,请从 Internet 下载数据集并将其放在根目录中。如果数据集已经下载,则不会再次下载。transform
:接收 PIL 映像并返回转换版本的函数/变换。例如:transforms.RandomCrop
target_transform
:一个接收目标并转换它的函数/变换。需要安装COCO API
dset.CocoCaptions(root="dir where images are", annFile="json annotation file", [transform, target_transform])
参数说明:
root(string)
- 图像下载到的根目录。annFile(string)
- json 注释文件的路径。transform(可调用,可选)
- 接收 PIL 映像并返回转换版本的函数/变换。例如:transforms.ToTensortarget_transform(可调用,可选)
- 一个接收目标并转换它的函数/变换。例子:
import torchvision.datasets as dset
import torchvision.transforms as transforms
cap = dset.CocoCaptions(root = 'dir where images are',
annFile = 'json annotation file',
transform=transforms.ToTensor())
print('Number of samples: ', len(cap))
img, target = cap[3] # load 4th sample
print("Image Size: ", img.size())
print(target)
输出:
Number of samples: 82783
Image Size: (3L, 427L, 640L)
[u'A plane emitting smoke stream flying over a mountain.',
u'A plane darts across a bright blue sky behind a mountain covered in snow',
u'A plane leaves a contrail above the snowy mountain top.',
u'A mountain that has a plane flying overheard in the distance.',
u'A mountain view with a plume of smoke in the background']
getitem(index) 参数: index(int) - 索引 返回: 元组(图像,目标)。目标是图片的标题列表。 返回类型: 元组
检测:
dset.CocoDetection(root="dir where images are", annFile="json annotation file", [transform, target_transform])
参数:
root(string)
- 图像下载到的根目录。annFile(string)
- json 注释文件的路径。transform
(可调用,可选) - 接收 PIL 映像并返回转换版本的函数/变换。例如,transforms.ToTensortarget_transform
(可调用,可选) - 一个接收目标并转换它的函数/变换。getitem(index) 参数: index(int) - 索引 返回: 元组(图像,目标)。目标是图片的标题列表。 返回类型: 元组
dset.LSUN(db_path, classes='train', [transform, target_transform])
参数说明:
db_path
= 数据集文件的根目录classe
= train
(所有类别, 训练集), val
(所有类别, 验证集), test
(所有类别, 测试集) [bedroom_train
, church_train
, …] : 要加载的类别列表transform
(可调用,可选) - 接收 PIL 映像并返回转换版本的函数/变换。例如,transforms.RandomCroptarget_transform
(可调用,可选) - 一个接收目标并转换它的函数/变换。一个通用的数据加载器,数据集中的数据以以下方式组织
root/dog/xxx.png
root/dog/xxy.png
root/dog/xxz.png
root/cat/123.png
root/cat/nsdf3.png
root/cat/asd932_.png
dset.ImageFolder(root="root folder path", [transform, target_transform])
参数说明:
root(string)
- 根目录路径。transform
(可调用,可选) - 接收 PIL 映像并返回转换版本的函数/变换。例如,transforms.RandomCroptarget_transform
(可调用,可选) - 一个接收目标并转换它的函数/变换。loader
- 加载给定其路径的图像的函数。这应该简单地用ImageFolder
数据集实现。数据按照这里所述进行预处理 这里有一个例子
dset.CIFAR10(root, train=True, transform=None, target_transform=None, download=False)
dset.CIFAR100(root, train=True, transform=None, target_transform=None, download=False)
参数说明:
dset.STL10(root, split='train', transform=None, target_transform=None, download=False)
参数说明:
class torchvision.datasets.SVHN(root, split='train', transform=None, target_transform=None, download=False)
参数:
class torchvision.datasets.PhotoTour(root, name, train=True, transform=None, download=False)
参数:
用户名 | 头像 | 职能 | 签名 |
---|---|---|---|
Song | 翻译 | 人生总要追求点什么 |
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。