《动手学深度学习》-3.5-学习笔记
# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式，
# 并除以255使得所有像素的数值均在0～1之间
trans = transforms.ToTensor()#用于将图像数据从 PIL 图像格式（Python Imaging Library，Python 的图像处理库）转换为 PyTorch 张量（Tensor）。
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)#加载训练数据集
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)#加载测试数据集-
torchvision.datasets.FashionMNIST是 PyTorch 提供的用于加载 FashionMNIST 数据集的类。 -
参数解释：
-
root="../data"：指定数据集的存储路径。如果数据集不存在，PyTorch 会自动下载到这个路径。 -
train=True：表示加载训练数据集。 -
transform=trans：指定对图像数据应用的预处理操作，这里是transforms.ToTensor()，即将图像转换为归一化的张量。 -
download=True：如果指定路径下没有数据集，会自动从网络下载。
- 了解基础情况：在 PyTorch 中，
mnist_train是一个torchvision.datasets.FashionMNIST数据集对象，它是一个可迭代的集合，包含了所有训练样本的图像和标签。mnist_train[3]表示获取数据集中的第四个样本（索引从 0 开始），包括第四个样本的图像和标签。 -
image.shape输出torch.Size([1, 28, 28])，表示图像是一个张量（Tensor），形状为：-
1：表示图像有 1 个通道（灰度图）。
-
28：图像的宽度为 28 像素。
-
28：图像的高度为 28 像素。
-
-
label输出的是一个整数，表示图像的类别标签。FashionMNIST 数据集有 10 个类别，每个类别对应一个整数标签（从 0 到 9）。
-
-
打印出来看了一下
def get_fashion_mnist_labels(labels): """返回Fashion-MNIST数据集的文本标签"""text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat','sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']return [text_labels[int(i)] for i in labels] -
这是一个列表推导式，用于将输入的整数标签列表
labels转换为对应的文本标签列表。 -
对于
labels中的每个元素i：-
int(i)确保i是整数（虽然通常labels已经是整数，但这里加了保险）。 -
text_labels[int(i)]从text_labels列表中获取对应的文本标签。
对text_labels -
列表的索引（从 0 到 9）对应于数据集中的整数标签。例如：
-
0对应't-shirt' -
1对应'trouser' -
9对应'ankle boot'
下面这段 仅仅是 使用这个函数，应用场景 -
-
-
-
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): """绘制图像列表"""figsize = (num_cols * scale, num_rows * scale)_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)axes = axes.flatten()for i, (ax, img) in enumerate(zip(axes, imgs)):if torch.is_tensor(img):# 图片张量ax.imshow(img.numpy())else:# PIL图片ax.imshow(img)ax.axes.get_xaxis().set_visible(False)ax.axes.get_yaxis().set_visible(False)if titles:ax.set_title(titles[i])return axes show_images 是一个用于批量显示图像的工具函数，
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y));从 FashionMNIST 数据集中加载一批图像，使用 show_images 函数将图像以 2 行 9 列的网格形式显示，并为每张图像添加文本标签。
创建Dataloader
batch_size = 256def get_dataloader_workers(): """使用4个进程来读取数据"""return 4train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,num_workers=get_dataloader_workers())def load_data_fashion_mnist(batch_size, resize=None): """下载Fashion-MNIST数据集"""trans = [transforms.ToTensor()]if resize:trans.insert(0, transforms.Resize(resize))trans = transforms.Compose(trans)mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)return (data.DataLoader(mnist_train, batch_size, shuffle=True,num_workers=get_dataloader_workers()),data.DataLoader(mnist_test, batch_size, shuffle=False,num_workers=get_dataloader_workers()))用于下载并加载 FashionMNIST 数据集，并将其转换为适合训练和测试的 DataLoader 对象。
)
