PyTorch 中的 ImageNet

有志者，事竟成！如果你在学习文章，那么本文《PyTorch 中的 ImageNet》，就很适合你！文章讲解的知识点主要包括，若是你对本文感兴趣，或者是想搞懂其中某个知识点，就请你继续往下看吧~

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 ImageNet
from torchvision.datasets.folder import default_loader

train_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: train

train_data.root
# 'data'

train_data.split
# 'train'

print(train_data.transform)
# None

print(train_data.target_transform)
# None

train_data.loader
# <function torchvision.datasets.folder.default_loader(path: str) -> 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]
# (<PIL.Image.Image image mode=RGB size=250x250>, 0)

train_data[1]
# (<PIL.Image.Image image mode=RGB size=200x150>, 0)

train_data[2]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)

train_data[1300]
# (<PIL.Image.Image image mode=RGB size=640x480>, 1)

train_data[2600]
# (<PIL.Image.Image image mode=RGB size=500x375>, 2)

val_data[0]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)

val_data[1]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)

val_data[2]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)

val_data[50]
# (<PIL.Image.Image image mode=RGB size=500x500>, 1)

val_data[100]
# (<PIL.Image.Image image mode=RGB size=679x444>, 2)

import matplotlib.pyplot as plt

def 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")

今天关于《PyTorch 中的 ImageNet》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！