本文共 1799 字，大约阅读时间需要 5 分钟。

本文是学习 的笔记，具体解释请参考原文。

0、前言

使用到的包主要是torchvision，它主要由以下几部分构成：

1. torchvision.datasets：一些加载数据的函数及常用的数据集接口；
2. torchvision.models：包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等；
3. torchvision.transforms：常用的图片变换，例如裁剪、旋转等；
4. torchvision.utils：其他的一些有用的方法。

一、获取数据集

1、下载数据

该语句将上述类型的数据，转换为尺寸为（C×H×W）且数据类型为 torch.float32 且位于[0.0, 1.0]之间的 Tensor 。

import torchvisionmnist_train = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=True, download=True, transform=torchvision.transforms.ToTensor())mnist_test = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=False, download=True, transform=torchvision.transforms.ToTensor())

2、获取数据标签

下载完数据后，需要能够找到数据对应的标签。以下函数可以将数值标签转成相应的文本标签。

def get_fashion_mnist_labels(labels):	text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat', 'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']	return [text_labels[int(i)] for i in labels]

二、读取小批量数据

torch.utils中data的一个方法DataLoader能够很方便的读取 batch_size 大小的数据，三个常用的三个参数分别是dataset、batch_size、shuffle(是否不按顺序读取数据)

import torch.utils.data as Databatch_size = 256train_iter = Data.DataLoader(dataset=mnist_train, batch_size=batch_size, shuffle=True)test_iter = Data.DataLoader(dataset=mnist_test, batch_size=batch_size, shuffle=True)

三、画图

下面定义一个可以在一行里画出多张图像和对应标签的函数。

# 本函数已保存在d2lzh包中方便以后使用def show_fashion_mnist(images, labels):    d2l.use_svg_display()    # 这里的_表示我们忽略（不使用）的变量    _, figs = plt.subplots(1, len(images), figsize=(12, 12))    for f, img, lbl in zip(figs, images, labels):        f.imshow(img.view((28, 28)).numpy())        f.set_title(lbl)        f.axes.get_xaxis().set_visible(False)        f.axes.get_yaxis().set_visible(False)    plt.show()

转载地址：http://apqqf.baihongyu.com/