PyTorch 数据集

在这一章中，我们将更多地关注 torchvision.datasets 及其各种类型。PyTorch包括以下数据集加载器：

• MNIST
• COCO（字幕和检测）

数据集包括以下两种主要类型的函数：

• Transform - 一个接受图像并返回修改后的标准内容版本的函数。这些可以与转换一起组合使用。

• Target_transform - 一个接受目标并进行转换的函数。例如，接收字幕字符串并返回单词索引的张量。

MNIST

以下是MNIST数据集的示例代码：

dset.MNIST(root, train = TRUE, transform = NONE, 
target_transform = None, download = FALSE)

参数解释如下：

• root − 数据集的根目录，其中存在处理后的数据。

• train − True = 训练集，False = 测试集。

• download − True = 从互联网下载数据集并放置在根目录下。

COCO

需要安装COCO API。以下示例用于展示使用PyTorch进行COCO数据集实现：

import torchvision.dataset as dset
import torchvision.transforms as transforms
cap = dset.CocoCaptions(root = ‘ dir where images are’, 
annFile = ’json annotation file’,
transform = transforms.ToTensor())
print(‘Number of samples: ‘, len(cap))
print(target)

实现的输出如下 –

Number of samples: 82783
Image Size: (3L, 427L, 640L)

PyTorch 教程目录

• PyTorch 简介
• PyTorch 安装
• PyTorch 神经网络的数学基本构建模块
• PyTorch 神经网络基础
• PyTorch 机器学习的通用工作流程
• PyTorch 机器学习 vs. 深度学习
• PyTorch 实现第一个神经网络
• PyTorch 神经网络到功能块
• PyTorch 术语
• PyTorch 加载数据
• PyTorch 线性回归
• PyTorch 卷积神经网络
• PyTorch 循环神经网络
• PyTorch 数据集
• PyTorch 卷积神经网络介绍
• PyTorch 从头训练一个卷积神经网络
• PyTorch 卷积神经网络中的特征提取
• PyTorch 卷积神经网络的可视化
• PyTorch 序列处理与卷积
• PyTorch 词嵌入
• PyTorch 递归神经网络