python中如何使用CIFAR10數(shù)據(jù)集

這篇“python中如何使用CIFAR10數(shù)據(jù)集”文章的知識(shí)點(diǎn)大部分人都不太理解，所以小編給大家總結(jié)了以下內(nèi)容，內(nèi)容詳細(xì)，步驟清晰，具有一定的借鑒價(jià)值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來(lái)看看這篇“python中如何使用CIFAR10數(shù)據(jù)集”文章吧。

關(guān)于CIFAR10數(shù)據(jù)集的使用

主要解決了如何把數(shù)據(jù)集與transforms結(jié)合在一起的問(wèn)題。

CIFAR10的官方解釋

torchvision.datasets.CIFAR10(
root: str, 
train: bool = True, 
transform: Optional[Callable] = None,
target_transform: Optional[Callable] = None,
download: bool = False)

注釋?zhuān)?/p>

• root (string)存在 cifar-10-batches-py 目錄的數(shù)據(jù)集的根目錄，如果下載設(shè)置為 True，則將保存到該目錄。

• train (bool, optional)如果為T(mén)rue，則從訓(xùn)練集創(chuàng)建數(shù)據(jù)集， 如果為False，從測(cè)試集創(chuàng)建數(shù)據(jù)集。

• transform (callable, optional)它接受一個(gè) PIL 圖像并返回一個(gè)轉(zhuǎn)換后的版本。 例如，transforms.RandomCrop/transforms.ToTensor

• target_transform (callable, optional) 接收目標(biāo)并對(duì)其進(jìn)行轉(zhuǎn)換的函數(shù)/轉(zhuǎn)換。

• download (bool, optional)如果為 true，則從 Internet 下載數(shù)據(jù)集并將其放在根目錄中。 如果數(shù)據(jù)集已經(jīng)下載，則不會(huì)再次下載。

實(shí)戰(zhàn)操作

1.CIAFR10數(shù)據(jù)集的下載

代碼如下：

import torchvision   #導(dǎo)入torchvision這個(gè)類(lèi)

train_set = torchvision.datasets.CIFAR10(root = "./dataset", train = True, 
download= True)  #從訓(xùn)練集創(chuàng)建數(shù)據(jù)集
test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False,
 download=True)    #從測(cè)試集創(chuàng)建數(shù)據(jù)集

root = "./dataset"，將下載的數(shù)據(jù)集保存在這個(gè)文件夾下；download= True，從 Internet 下載數(shù)據(jù)集并將其放在根目錄中，這里就是在相對(duì)路徑中，創(chuàng)建dataset文件夾，將數(shù)據(jù)集保存在dataset中。

2.查看下載的CIAFR10數(shù)據(jù)集

運(yùn)行程序，開(kāi)始下載數(shù)據(jù)集。下載成功后，可以進(jìn)行一些查看。代碼如下：

接著輸入：

print(train_set[0])  #查看train_set訓(xùn)練集中的第一個(gè)數(shù)據(jù)
print(train_set.classes)   #查看train_set訓(xùn)練集中有多少個(gè)類(lèi)別
 
img, target = train_set[0]
print(img)
print(target)
print(train_set.classes[target])
img.show()  #顯示圖片

輸出結(jié)果：

(<PIL.Image.Image image mode=RGB size=32x32 at 0x161E924B8D0>, 6)
['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship',
'truck']
<PIL.Image.Image image mode=RGB size=32x32 at 0x161E924B710>
6
frog

注釋?zhuān)嚎梢钥匆?jiàn)，train_set數(shù)據(jù)集中有10個(gè)類(lèi)別，train_set中第0個(gè)元素的target是6，也就是說(shuō)，這個(gè)元素是屬于第7個(gè)類(lèi)別frog的。

3.數(shù)據(jù)轉(zhuǎn)換

因?yàn)檫@些圖片類(lèi)型都是PIL Image，如果要供給pytorch使用的話(huà)，需要將數(shù)據(jù)全都轉(zhuǎn)化成tensor類(lèi)型。

完整代碼如下：

import torchvision   #導(dǎo)入torchvision這個(gè)類(lèi)
from torch.utils.tensorboard import SummaryWriter

from torchvision import transforms
dataset_transforms = transforms.ToTensor()

# dataset_transforms = torchvision.transforms.Compose([
#     torchvision.transforms.ToTensor()
# ])    第3  4 行代碼可以用compose直接寫(xiě)
train_set = torchvision.datasets.CIFAR10(root = "./dataset", train = True, transform=dataset_transforms, download= True) #訓(xùn)練集
test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=dataset_transforms, download=True)   #測(cè)試集

writer = SummaryWriter("logs")

# print(train_set[0])  #查看train_set訓(xùn)練集中的第一個(gè)數(shù)據(jù)
# print(train_set.classes)   #查看train_set訓(xùn)練集中有多少個(gè)類(lèi)別

# img, target = train_set[0]
# print(img)
# print(target)
# print(train_set.classes[target])
# img.show()
for i in range(20):
    img, target = train_set[i]
    writer.add_image("cifar10_test2", img, i)

writer.close()

小結(jié)：CIFAR10數(shù)據(jù)集內(nèi)存很小，只有100多m，下載方便。對(duì)我們學(xué)習(xí)數(shù)據(jù)集非常友好，練習(xí)的時(shí)候，我們可以使用SummaryWriter來(lái)將數(shù)據(jù)寫(xiě)入tensorboard中。

CIFAR-10 數(shù)據(jù)集簡(jiǎn)介

復(fù)現(xiàn)代碼的過(guò)程中，簡(jiǎn)單了解了作者使用的數(shù)據(jù)集CIFAR-10 dataset ，簡(jiǎn)單記錄一下。

CIFAR-10數(shù)據(jù)集是8000萬(wàn)微小圖片的標(biāo)簽子集，它的收集者是：Alex Krizhevsky, Vinod Nair, Geoffrey Hinton。

數(shù)據(jù)集由6萬(wàn)張32*32的彩色圖片組成，一共有10個(gè)類(lèi)別。每個(gè)類(lèi)別6000張圖片。其中有5萬(wàn)張訓(xùn)練圖片及1萬(wàn)張測(cè)試圖片。

數(shù)據(jù)集被劃分為5個(gè)訓(xùn)練塊和1個(gè)測(cè)試塊，每個(gè)塊1萬(wàn)張圖片。

測(cè)試塊包含了1000張從每個(gè)類(lèi)別中隨機(jī)選擇的圖片。訓(xùn)練塊包含隨機(jī)的剩余圖像，但某些訓(xùn)練塊可能對(duì)于一個(gè)類(lèi)別的包含多于其他類(lèi)別，訓(xùn)練塊包含來(lái)自各個(gè)類(lèi)別的5000張圖片。

這些類(lèi)是完全互斥的，及在一個(gè)類(lèi)別中出現(xiàn)的圖片不會(huì)出現(xiàn)在其它類(lèi)中。

數(shù)據(jù)集版本

作者提供了3個(gè)版本的數(shù)據(jù)集：python version; Matlab version; binary version。

可根據(jù)自己的需求選擇。

數(shù)據(jù)集布置

以python version進(jìn)行介紹，Matlab version與之相同。

下載后獲得文件 data_batch_1, data_batch_2,&hellip;, data_batch_5。測(cè)試塊相同。這些文件中的每一個(gè)都是用cPickle生成的python pickled對(duì)象。

具體使用方法：

def unpickle(file):
    import pickle
    with open(file, 'rb') as fo:
        dict = pickle.load(fo, encoding='bytes')
    return dict

返回字典類(lèi)，每個(gè)塊的文件包含一個(gè)字典類(lèi)，包含以下元素：

• data: 一個(gè)100003072的numpy數(shù)組（unit8）每個(gè)行存儲(chǔ)3232的彩色圖片，3072=1024*3，分別是red, green, blue。存儲(chǔ)方式以行為主。

• labels:使用0-9進(jìn)行索引。

數(shù)據(jù)集包含的另一個(gè)文件batches.meta同樣包含python字典，用于加載label_names。如：label_names[0] == “airplane”, label_names[1] == “automobile”

以上就是關(guān)于“python中如何使用CIFAR10數(shù)據(jù)集”這篇文章的內(nèi)容，相信大家都有了一定的了解，希望小編分享的內(nèi)容對(duì)大家有幫助，若想了解更多相關(guān)的知識(shí)內(nèi)容，請(qǐng)關(guān)注億速云行業(yè)資訊頻道。