Pytorch 加载数据集的几种方法
Pytorch 加载数据集的几种方法
总结
坑
方案1:
方案2:
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = torchvision.datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor()) # Data loader train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False)
在for循环中调用
for i, (images, labels) in enumerate(train_loader):
方案3:官网的介绍
Dataset
stores the samples and their corresponding labels
Dataset
包含数据样本和相应的标签labels;
DataLoader
wraps an iterable around the Dataset
to enable easy access to the samples.
DataLoader
相当于是对dateset的一个迭代器封装;
对数据集中的数据,进行可视化;
构建自己的dataset
Datasets & DataLoaders — PyTorch Tutorials 1.11.0+cu102 documentation
官方文档YYDS