参考：

目录

使用自带的

在 中，. 包中提供了许多经典数据集的实现，你可以使用它们来训练和测试模型。

当然这些数据集是在服务器上的它在使用的时候是联网下载的。首次运行会下载，再次运行就不用下载了。

这里以经典的MNIST数据集为例。

总代码如下：

import torch
from torchvision import datasets
import matplotlib.pyplot as plt
from torch.utils.data import DataLoader
from torchvision import transforms
# define a transform
transform = transforms.Compose([
    transforms.Resize(24),
    transforms.RandomRotation(10),
    transforms.ToTensor()
])
# download training & testing dataset
training_data = datasets.MNIST(
    root='data',
    train=True,
    download=True,
    transform=transform
)
test_data = datasets.MNIST(
    root='data',
    train=False,
    download=True,
    transform=transform
)
# create label to idx dictionary
labels = {i: training_data.classes[i] for i in range(len(training_data.classes))}
# display images in MNIST
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()
# create dataloader
train_data_loader = DataLoader(training_data, batch_size=16, shuffle=True)
test_data_loader = DataLoader(test_data, batch_size=16, shuffle=True)
print(next(iter(train_data_loader))[0].shape)

下面挨个看各个模块的作用：

# define a transform
transform = transforms.Compose([
    transforms.Resize(24),
    transforms.RandomRotation(10),
    transforms.ToTensor()
])

这段代码定义了一个数据转换管道，它将一系列的图像处理操作串联起来，以便对图像进行预处理。

通过将上述操作按照顺序组合在一起，你可以定义一个 对象，用于对图像数据集中的每个图像进行预处理。该 对象被用于加载 MNIST 数据集，并且在 中配合使用。这样的数据预处理流程在深度学习中非常常见，它能够帮助提高模型训练的效果和泛化能力。你可以根据自己的需求，定制不同的转换操作，以适应不同的任务和数据集特点。

# download training & testing dataset
training_data = datasets.MNIST(
    root='data',
    train=True,
    download=True,
    transform=transform
)
test_data = datasets.MNIST(
    root='data',
    train=False,
    download=True,
    transform=transform
)

上述代码就是下载和数据。

=True 参数用于指定是否下载数据集。当该参数设置为 True 时，如果数据集尚未下载，则会自动下载数据集。如果数据集已经存在，将不会再次下载。在加载数据集时 .MNIST() 会检查文件是否下载过。

# create label to idx dictionary
labels = {i: training_data.classes[i] for i in range(len(training_data.classes))}

这段代码的作用是将 MNIST 训练集的类别标签映射为整数索引，并将其存储在 字典中。

这个MNIST 训练集是用来区分0-9的数据集，故这里就可以将0映射到0，1映射到1以此类推。

# display images in MNIST
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

上述代码就是将MNIST数据集中随机的生成9个图片打印出来，为了验证一下我们的MNIST数据集是否成功的加载

# create dataloader
train_data_loader = DataLoader(training_data, batch_size=16, shuffle=True)
test_data_loader = DataLoader(test_data, batch_size=16, shuffle=True)
print(next(iter(train_data_loader))[0].shape)

上述代码用于创建数据加载器 ()，设置批次以及是否。

用户自定义的

import torch
import matplotlib.pyplot as plt
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision.datasets import ImageFolder
# define a transform
transform = transforms.Compose([
    transforms.Grayscale(),
    transforms.Resize(24),
    transforms.RandomRotation(10),
    transforms.ToTensor()
])
# create dataset
my_mnist = ImageFolder(root='./my-mnist', transform=transform)
# create label to idx dictionary
labels = {i: my_mnist.classes[i] for i in range(len(my_mnist.classes))}
# display images in MNIST
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(my_mnist), size=(1,)).item()
    img, label = my_mnist[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()
# create dataloader
train_data_loader = DataLoader(my_mnist, batch_size=16, shuffle=True)
print(next(iter(train_data_loader))[0].shape)

总的代码几乎差不多，唯一有区别的就是数据是从自己定义的路径下加载的。

使用 类创建数据集