torchvision是PyTorch的一個視覺工具包，提供了很多圖像處理的工具。

datasets使用ImageFolder工具（默認PIL Image圖像），獲取定制化的圖片并自動生成類別標簽。如裁剪、旋轉、標準化、歸一化等（使用transforms工具）。

DataLoader可以把datasets數據集打亂，分成batch，并行加速等。

一、datasets獲取原圖或格式化的圖，自動命名標簽

1.1 獲取原圖片

使用torchvision.datasets中的ImageFolder工具，功能：

1、文件夾名就是類別名

2、從上到下自動為文件夾自動創建標簽，0、1、2、...。class_to_idx、imgs屬性可以查看。

3、返回每一幅圖的data、label

from torchvision.datasets import ImageFolder

dataset=ImageFolder("E:/data/dogcat_2/train/") #獲取路徑，返回的是所有圖的data、label
print(dataset.class_to_idx) #查看類別名，及對應的標簽。
print(dataset.imgs)  #查看路徑里所有的圖片，及對應的標簽

print(dataset[0][1]) #第1張圖的label
dataset[0][0] #第1張圖的data

1.2 獲取定制化的圖片，啟用ImageFolder的transform參數

使用torchvision的transforms工具，常用功能：

Resize——調整大小
CenterCrop、RandomCrop、RandomSizedCrop——裁剪
Pad——填充
ToTensor——PIL Image轉Tensor，自動[0,255]歸一化到[0,1]
Normalize——標準化，即減均值，除以標準差
ToPILImage——Tensor轉PIL Image

這些操作可以放到一起——Compose

from torchvision import transforms as T

#設置格式化條件
transform=T.Compose([T.Resize((200,200)), #縮放為200*200方形
                     T.RandomHorizontalFlip(), #水平翻轉
                     T.ToTensor(), #PIL Image轉Tensor，[0,255]自動歸一化為[0,1]
                     T.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5]) #標準化，減均值除標準差
                    ])
#啟用ImageFolder的transform參數，獲取格式化圖像
dataset=ImageFolder("E:/data/dogcat_2/train/",transform=transform)

dataset[0][0].size() #查看圖像大小，3*224*224

#展示圖像，乘標準差加均值，再轉回PIL Image（上述過程的逆過程）
show=T.ToPILImage()
show(dataset[0][0]*0.5+0.5)

二、DataLoader處理datasets

from torch.utils.data import DataLoader
dataloader=DataLoader( dataset,batch_size=4,shuffle=True,num_workers=2 ) #4幅圖為1個batch，打亂，2個進程加速
#### 顯示第1個batch的4幅圖（隨機）
from torchvision.transforms import ToPILImage
from torchvision.utils import make_grid
dataiter = iter(dataloader) #DataLoader是可迭代的
(images, labels) = dataiter.next() #第一個batch
print(labels) #打印標簽
show=ToPILImage() 
show(make_grid(images*0.5+0.5)).resize((4*100,100))  #以100*100展示第一個batch

總結

以上是生活随笔為你收集整理的PyTorch数据处理，datasets、DataLoader及其工具的使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。