首页 > 文章 > python教程

CelebA 是 PyTorch

来源：dev.to

时间：2025-01-09 15:14:58 473浏览收藏

积累知识，胜过积蓄金银！毕竟在文章开发的过程中，会遇到各种各样的问题，往往都是一些细节知识点还没有掌握好而导致的，因此基础知识点的积累是很重要的。下面本文《CelebA 是 PyTorch》，就带大家讲解一下知识点，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 celeba。

celeba() 可以使用 celeba 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)。 *可以设置“train”（162,770张图片）、“valid”（19,867张图片）、“test”（19,962张图片）或“all”（202,599张图片）。
第三个参数是target_type（可选-默认：“attr”-类型：str或str列表）： *备注：
- 可以为其设置“attr”、“identity”、“bbox”和/或“landmark”。
- 也可以设置空列表。
- 可以设置多个相同的值。
- 如果值的顺序不同，则其元素的顺序也会不同。
第四个参数是transform(optional-default:none-type:callable)。
第 5 个参数是 target_transform(optional-default:none-type:callable)。
第 6 个参数是 download(可选-默认:false-类型:bool): *备注：
- 如果为 true，则从互联网下载数据集并解压（解压）到根目录。
- 如果为 true 并且数据集已下载，则将其提取。
- 如果为 true 并且数据集已下载并提取，则不会发生任何事情。
- 如果数据集已经下载并提取，则应该为 false，因为它速度更快。
- 下载数据集需要 gdown。
- 您可以从这里手动下载并解压数据集（img_align_celeba.zip with identity_celeba.txt、list_attr_celeba.txt、list_bbox_celeba.txt、list_eval_partition.txt 和 list_landmarks_align_celeba.txt）到 data/celeba/。

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

from torchvision.datasets import CelebA
 
train_attr_data = CelebA(
    root="data"
)
 
train_attr_data = CelebA(
    root="data",
    split="train",
    target_type="attr",
    transform=None,
    target_transform=None,
    download=False
)
 
valid_identity_data = CelebA(
    root="data",
    split="valid",
    target_type="identity"
)
 
test_bbox_data = CelebA(
    root="data",
    split="test",
    target_type="bbox"
)
 
all_landmarks_data = CelebA(
    root="data",
    split="all",
    target_type="landmarks"
)
 
all_empty_data = CelebA(
    root="data",
    split="all",
    target_type=[]
)
 
all_all_data = CelebA(
    root="data",
    split="all",
    target_type=["attr", "identity", "bbox", "landmarks"]
)
 
len(train_attr_data), len(valid_identity_data), len(test_bbox_data)
# (162770, 19867, 19962)
 
len(all_landmarks_data), len(all_empty_data), len(all_all_data)
# (202599, 202599, 202599)
 
train_attr_data
# Dataset CelebA
#     Number of datapoints: 162770
#     Root location: data
#     Target type: ['attr']
#     Split: train
 
train_attr_data.root
# 'data'
 
train_attr_data.split
# 'train'
 
train_attr_data.target_type
# ['attr']
 
print(train_attr_data.transform)
# None
 
print(train_attr_data.target_transform)
# None
 
train_attr_data.download
# <bound method="" celeba.download="" of="" dataset="" celeba="" #="" number="" datapoints:="" 162770="" root="" location:="" data="" target="" type:="" ['attr']="" split:="" train="">
 
len(train_attr_data.attr), train_attr_data.attr
# (162770, tensor([[0, 1, 1, ..., 0, 0, 1],
#                  [0, 0, 0, ..., 0, 0, 1],
#                  [0, 0, 0, ..., 0, 0, 1],
#                  ...,
#                  [1, 0, 1, ..., 0, 1, 1],
#                  [0, 0, 0, ..., 0, 0, 1],
#                  [0, 1, 1, ..., 1, 0, 1]]))
 
len(train_attr_data.attr_names), train_attr_data.attr_names
# (41, ['5_o_Clock_Shadow', 'Arched_Eyebrows', 'Attractive', 
#       'Bags_Under_Eyes', 'Bald', 'Bangs', 'Big_Lips', 'Big_Nose',
#       'Black_Hair', 'Blond_Hair', 'Blurry', 'Brown_Hair',
#       ...
#       'Wearing_Necklace', 'Wearing_Necktie', 'Young', ''])
 
len(train_attr_data.identity), train_attr_data.identity
# (162770, tensor([[2880], [2937], [8692], ..., [7391], [8610], [2304]]))
 
len(train_attr_data.bbox), train_attr_data.bbox
# (162770, tensor([[95, 71, 226, 313],
#                  [72, 94, 221, 306],
#                  [216, 59, 91, 126],
#                  ...,
#                  [103, 103, 143, 198],
#                  [30, 59, 216, 280],
#                  [376, 4, 372, 515]]))
 
len(train_attr_data.landmarks_align), train_attr_data.landmarks_align
# (162770, tensor([[69, 109, 106, ..., 152, 108, 154],
#                  [69, 110, 107, ..., 151, 108, 153],
#                  [76, 112, 104, ..., 156, 98, 158],
#                  ...,
#                  [69, 113, 109, ..., 151, 110, 151],
#                  [68, 112, 109, ..., 150, 108, 151],
#                  [70, 111, 107, ..., 153, 102, 152]]))
 
train_attr_data[0]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([0, 1, 1, 0, 0, 0, 0, 0, 0, 0,
#          0, 1, 0, 0, 0, 0, 0, 0, 1, 1,
#          0, 1, 0, 0, 1, 0, 0, 1, 0, 0,
#          0, 1, 1, 0, 1, 0, 1, 0, 0, 1]))
 
train_attr_data[1]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([0, 0, 0, 1, 0, 0, 0, 1, 0, 0,
#          0, 1, 0, 0, 0, 0, 0, 0, 0, 1,
#          0, 1, 0, 0, 1, 0, 0, 0, 0, 0,
#          0, 1, 0, 0, 0, 0, 0, 0, 0, 1]))
 
train_attr_data[2]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([0, 0, 0, 0, 0, 0, 1, 0, 0, 0,
#          1, 0, 0, 0, 0, 0, 0, 0, 0, 0,
#          1, 0, 0, 1, 1, 0, 0, 1, 0, 0,
#          0, 0, 0, 1, 0, 0, 0, 0, 0, 1]))
 
valid_identity_data[0]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor(2594))
 
valid_identity_data[1]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor(2795))
 
valid_identity_data[2]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor(947))
 
test_bbox_data[0]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([147, 82, 120, 166]))
 
test_bbox_data[1]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([106, 34, 140, 194]))
 
test_bbox_data[2]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([107, 78, 109, 151]))
 
all_landmarks_data[0]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([69, 109, 106, 113, 77, 142, 73, 152, 108, 154]))
 
all_landmarks_data[1]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([69, 110, 107, 112, 81, 135, 70, 151, 108, 153]))
 
all_landmarks_data[2]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  tensor([76, 112, 104, 106, 108, 128, 74, 156, 98, 158]))
 
all_empty_data[0]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">, None)
 
all_empty_data[1]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">, None)
 
all_empty_data[2]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">, None)
 
all_all_data[0]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  (tensor([0, 1, 1, 0, 0, 0, 0, 0, 0, 0,
#           0, 1, 0, 0, 0, 0, 0, 0, 1, 1,
#           0, 1, 0, 0, 1, 0, 0, 1, 0, 0,
#           0, 1, 1, 0, 1, 0, 1, 0, 0, 1]),
#   tensor(2880),
#   tensor([95, 71, 226, 313]),
#   tensor([69, 109, 106, 113, 77, 142, 73, 152, 108, 154])))
 
all_all_data[1]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  (tensor([0, 0, 0, 1, 0, 0, 0, 1, 0, 0,
#           0, 1, 0, 0, 0, 0, 0, 0, 0, 1,
#           0, 1, 0, 0, 1, 0, 0, 0, 0, 0,
#           0, 1, 0, 0, 0, 0, 0, 0, 0, 1]),
#   tensor(2937),
#   tensor([72, 94, 221, 306]),
#   tensor([69, 110, 107, 112, 81, 135, 70, 151, 108, 153])))
 
all_all_data[2]
# (<pil.jpegimageplugin.jpegimagefile image="" mode="RGB" size="178x218">,
#  (tensor([0, 0, 0, 0, 0, 0, 1, 0, 0, 0,
#           1, 0, 0, 0, 0, 0, 0, 0, 0, 0,
#           1, 0, 0, 1, 1, 0, 0, 1, 0, 0,
#           0, 0, 0, 1, 0, 0, 0, 0, 0, 1]),
#  tensor(8692),
#  tensor([216, 59, 91, 126]),
#  tensor([76, 112, 104, 106, 108, 128, 74, 156, 98, 158])))
 
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
from matplotlib.patches import Circle
 
def show_images(data, main_title=None):
    if "attr" in data.target_type and len(data.target_type) == 1 \
        or not data.target_type:
        plt.figure(figsize=(12, 6))
        plt.suptitle(t=main_title, y=1.0, fontsize=14)
        for i, (im, _) in enumerate(data, start=1):
            plt.subplot(2, 5, i)
            plt.imshow(X=im)
            if i == 10:
                break
        plt.tight_layout(h_pad=3.0)
        plt.show()
    elif "identity" in data.target_type and len(data.target_type) == 1:
        plt.figure(figsize=(12, 6))
        plt.suptitle(t=main_title, y=1.0, fontsize=14)
        for i, (im, lab) in enumerate(data, start=1):
            plt.subplot(2, 5, i)
            plt.title(label=lab.item())
            plt.imshow(X=im)
            if i == 10:
                break
        plt.tight_layout(h_pad=3.0)
        plt.show()
    elif "bbox" in data.target_type and len(data.target_type) == 1:
        fig, axes = plt.subplots(nrows=2, ncols=5, figsize=(12, 6))
        fig.suptitle(t=main_title, y=1.0, fontsize=14)
        for (i, (im, (x, y, w, h))), axis \
            in zip(enumerate(data, start=1), axes.ravel()):
            axis.imshow(X=im)
            rect = Rectangle(xy=(x, y), width=w, height=h,
                             linewidth=3, edgecolor='r',
                             facecolor='none')
            axis.add_patch(p=rect)
            if i == 10:
                break
        fig.tight_layout(h_pad=3.0)
        plt.show()
    elif "landmarks" in data.target_type and len(data.target_type) == 1:
        plt.figure(figsize=(12, 6))
        plt.suptitle(t=main_title, y=1.0, fontsize=14)
        for i, (im, lm) in enumerate(data, start=1):
            px = []
            py = []
            for j, v in enumerate(lm):
                if j%2 == 0:
                    px.append(v)
                else:
                    py.append(v)
            plt.subplot(2, 5, i)
            plt.imshow(X=im)
            plt.scatter(x=px, y=py)
            if i == 10:
                break
        plt.tight_layout(h_pad=3.0)
        plt.show()
    elif len(data.target_type) == 4:
        fig, axes = plt.subplots(nrows=2, ncols=5, figsize=(12, 6))
        fig.suptitle(t=main_title, y=1.0, fontsize=14)
        for (i, (im, (_, lab, (x, y, w, h), lm))), axis \
            in zip(enumerate(data, start=1), axes.ravel()):
            axis.set_title(label=lab.item())
            axis.imshow(X=im)
            rect = Rectangle(xy=(x, y), width=w, height=h,
                             linewidth=3, edgecolor='r',
                             facecolor='none', clip_on=True)
            axis.add_patch(p=rect)
            for j, (px, py) in enumerate(lm.split(2)):
                axis.add_patch(p=Circle(xy=(px, py)))
            # for j, v in enumerate(lm):
            #     if j%2 == 0:
            #         px.append(v)
            #     else:
            #         py.append(v)
            # axis.scatter(x=px, y=py)
            # axis.plot(px, py)
# `axis.scatter()` and `axis.plot()` of `plt.subplots()` don't work
# properly. They shrink images so use `axis.add_patch()` instead.
            if i == 10:
                break
        fig.tight_layout(h_pad=3.0)
        plt.show()
 
show_images(data=train_attr_data, main_title="train_attr_data")
show_images(data=valid_identity_data, main_title="valid_identity_data")
show_images(data=test_bbox_data, main_title="test_bbox_data")
show_images(data=all_landmarks_data, main_title="all_landmarks_data")
show_images(data=all_empty_data, main_title="all_empty_data")
show_images(data=all_all_data, main_title="all_all_data")
</pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></pil.jpegimageplugin.jpegimagefile></bound>

CelebA 是 PyTorch

终于介绍完啦！小伙伴们，这篇关于《CelebA 是 PyTorch》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！

声明：本文转载于：dev.to 如有侵犯，请联系study_golang@163.com删除