PyTorch翻译官网教程3-DATASETS & DATALOADERS

modelscope下载数据集datasets版本问题 git clone 和 modelscope cli工具 都没有下载数据文件 只下载了元数据文件。 阅读详情

官网链接

Datasets & DataLoaders — PyTorch Tutorials 2.0.1+cu117 documentation

数据集和数据加载器

处理样本数据的代码可能会变得混乱并且难以维护。理想情况下,我们希望我们的数据集代码与模型训练代码解耦,以获得更好的可读性和模块化。PyTorch提供了两个数据源:torch.utils.data.DataLoader和torch.utils.data.Dataset,它们允许你使用预加载的数据集和你自己的数据集。Dataset存储样本及其相应的标签,DataLoader在Dataset之上包装一个可迭代对象,以便于访问样本。

加载数据集

下面是一个如何从TorchVision加载Fashion-MNIST数据集的示例。Fashion-MNIST是Zalando文章图像的数据集,由60,000个训练样例和10,000个测试样例组成。每个示例都包含一个28×28灰度图像和来自10个类之一的关联标签。

我们用以下参数加载FashionMNIST数据集:

  • root 是存储训练/测试数据的路径
  • train 指定训练或者测试数据集
  • download=True 如果在root目录下不可用,是否从互联网上下载数据
  • transform 和 target_transform 指定特征和标签的转换
import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

输出

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz

  0%|          | 0/26421880 [00:00<?, ?it/s]
  0%|          | 65536/26421880 [00:00<01:12, 363415.33it/s]
  1%|          | 229376/26421880 [00:00<00:38, 679946.01it/s]
  3%|2         | 753664/26421880 [00:00<00:12, 2072129.51it/s]
  7%|6         | 1802240/26421880 [00:00<00:06, 3878939.55it/s]
 16%|#6        | 4358144/26421880 [00:00<00:02, 9473273.38it/s]
 25%|##4       | 6553600/26421880 [00:00<00:01, 10918007.48it/s]
 34%|###4      | 9011200/26421880 [00:01<00:01, 14051286.10it/s]
 43%|####3     | 11370496/26421880 [00:01<00:01, 14100224.63it/s]
 52%|#####2    | 13762560/26421880 [00:01<00:00, 16167133.39it/s]
 61%|######1   | 16187392/26421880 [00:01<00:00, 15640376.47it/s]
 70%|#######   | 18612224/26421880 [00:01<00:00, 17384518.47it/s]
 80%|#######9  | 21069824/26421880 [00:01<00:00, 16443689.83it/s]
 89%|########8 | 23429120/26421880 [00:01<00:00, 17854523.89it/s]
 98%|#########8| 25952256/26421880 [00:01<00:00, 16957283.54it/s]
100%|##########| 26421880/26421880 [00:02<00:00, 13185733.62it/s]
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz

  0%|          | 0/29515 [00:00<?, ?it/s]
100%|##########| 29515/29515 [00:00<00:00, 327080.02it/s]
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz

  0%|          | 0/4422102 [00:00<?, ?it/s]
  1%|1         | 65536/4422102 [00:00<00:12, 361139.75it/s]
  5%|5         | 229376/4422102 [00:00<00:06, 678952.39it/s]
 19%|#9        | 851968/4422102 [00:00<00:01, 2356375.68it/s]
 44%|####3     | 1933312/4422102 [00:00<00:00, 4134961.37it/s]
100%|##########| 4422102/4422102 [00:00<00:00, 6052787.05it/s]
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz

  0%|          | 0/5148 [00:00<?, ?it/s]
100%|##########| 5148/5148 [00:00<00:00, 43184553.98it/s]
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw


迭代和可视化数据集

我们可以像列表一样手动索引数据集:training_data[index]。我们可以使用matplotlib来可视化训练数据中的一些样本。

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
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_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

 

通过文件创建自定义数据集

自定义Dataset类必须实现三个函数:__init__, __len__和__getitem__。FashionMNIST图像存储在img_dir目录中,它们的标签单独存储在CSV文件annotations_file中。

在接下来的部分中,我们将分解这些函数中发生的事情。

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label


 

__init__

__init__函数在实例化Dataset对象时运行一次。我们初始化的目录包含图像、注释文件和两个transforms(下一节将详细介绍)

label .csv文件看起来像这样:

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9
def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    self.img_labels = pd.read_csv(annotations_file)
    self.img_dir = img_dir
    self.transform = transform
    self.target_transform = target_transform

__len__

__len__函数返回数据集中的样本数。

示例:

def __len__(self):
    return len(self.img_labels)

__getitem__

__getitem__函数使用给定的索引idx,从数据集中加载并返回一个样本。基于索引,它识别图像在磁盘上的位置,使用read_image函数将其转换为张量,从self.img_labels中的CSV数据中检索相应的标签。调用它们的transform函数(如果可用)。并在元组中返回张量图像和相应的标签。

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = read_image(img_path)
    label = self.img_labels.iloc[idx, 1]
    if self.transform:
        image = self.transform(image)
    if self.target_transform:
        label = self.target_transform(label)
    return image, label

使用DataLoaders准备训练数据集

Dataset每次检索我们数据集中一个样本的特征和标签。在训练模型时,我们通常希望以“小批量”的方式传递样本,在每个epoch中重新洗数据以减少模型过拟合,并使用Python的多进程来加速数据检索。

DataLoader是一个可迭代对象,它用一个简单的API为我们抽象了复杂性。

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

遍历DataLoader

我们已经将该数据集加载到DataLoader中,并且可以根据需要迭代该数据集。每次迭代都返回一批train_features和train_labels(分别包含batch_size=64个特征和标签)。因为我们指定了shuffle=True,所以在遍历所有批次之后,将对数据进行清洗(要对数据加载顺序进行更细粒度的控制,请查看样例)

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

输出

 

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 0

一文读懂模型的数据集Datasets 众所周知,数据集(Datasets)对于模型来说非常重要,它是大模型这台庞大机器的原材料,在机器学习领域中所有的原生模型都是通过数据集训练出来的。本文将以通俗易懂的方式为大家介绍一下大模型的数据集,让大家了解深度学习的数据集如何构成、有哪些格式、如何收集和处理数据集才能应用到大模型的训练和优化过程中。机器学习中的数据集指的是用于训练机器学习或深度学习模型的数据集合,它是模型学习的基础,模型通过学习训练数据中的模式、特征和规律,来构建用于预测或分类的能力。数据质量:训练数据的质量直接决定模型的性能。 阅读详情

相关推荐

深度学习之QLoRA原理详解及Pytorch实现

【代码】深度学习之QLoRA原理详解及Pytorch实现。

yumiwangzi30的博客 233

tensorflow和tensorflow_datasets版本问题

由于根据向下兼容的原则,我选择了2.1.0版本的tensorflow_datasets,可以试着用“2.1.0, 3.0.0, 3.1.0, 3.2.0, 3.2.1”中之一,当然其版本最高已经到了4.9.0+,酌情选择就可以了。”,默认安装最新版本,并且会出现在安装过程中重新安装tensorflow_datasets版本匹配的protobuf版本,这会导致原来的tensorflow和protobuf冲突。

cqzicsht的博客 3680

Open5GS实战:从零搭建树莓派5G核心网并与商用终端联调

本文详细介绍了如何在树莓派5上从零开始搭建基于Open5GS的5G核心网,涵盖系统准备、依赖安装、源码编译、关键配置修改及服务启动全流程。通过整合SDR基站与商用终端进行端到端联调,为开发者和研究者提供了一个低成本、可实践的5G网络实验平台,助力物联网与边缘计算应用的本地化测试与验证。

weixin_29194255的博客 162

在NLP项目中使用Hugging Face的Datasets 库

数据科学是关于数据的。网络上有各种来源可以为您的数据分析或机器学习项目获取数据。最受欢迎的来源之一是 Kaggle,我相信我们每个人都必须在我们的数据旅程中使用它。 最近,我遇到了一个新的来源来为我的 NLP 项目获取数据,我很想谈谈它。这是 Hugging Face 的数据集库,一个快速高效的库,可以轻松共享和加载数据集和评估指标。因此,如果您从事自然语言理解 (NLP) 工作并希望为下一个项目提供数据,那么 Hugging Face 就是您的最佳选择。 Hugging Face 是自然语言处理 ..

勇气与行动 1155

人形机器人硬件开发:骨架系统设计全攻略

本文以人形机器人骨架系统为核心研究对象,系统解析其从理论建模到工程实现的全流程设计方法。通过融合刚体力学、材料科学与机器人控制理论,构建"概念基础-理论框架-架构设计-实现机制-实际应用-高级考量-综合拓展"的七层分析体系。重点覆盖运动学/动力学建模、轻量化结构设计、关节模块集成、多物理场耦合优化等关键技术,结合波士顿动力Atlas、本田ASIMO等经典案例,提供从原型设计到量产验证的工程实践指南。

AI天才研究院 1879

别再混淆了!5分钟搞懂机器人导纳控制与阻抗控制的本质区别(附Simulink对比仿真)

本文深入解析机器人柔顺控制中的导纳控制与阻抗控制的本质区别,通过信号流方向、架构对比和应用场景三个关键视角进行详细阐述。文章还提供Simulink对比仿真案例,帮助读者快速理解两种控制策略的差异及其适用场景,特别适合机器人控制领域的研究者和工程师参考。

weixin_42543046的博客 608

huggingface.datasets无法加载数据集和指标的解决方案

解决huggingface的datasets包无法加载数据集的问题

诸神缄默不语的博客 2万+

【Telephony】APN配置及加载流程&项目实践(AOSP)

学习APN关键是学会明白apns-conf.xml文件各个参数的意思,然后熟悉TelephonyProvider是如何读取文件创建数据库的,譬如数据库表的约束、文件的读写顺序等,还有读取后的ApnSetting的二次定制以及显示(例如屏蔽xcap等)。虽然一般在项目中APN的需求很简单,就是按照客户提供的APN参数添加上配置,或者在显示屏蔽一些参数,但是项目维护的过程中APN的问题也是比较多的。

weixin_44513784的博客 5516

pythorch torchvision python版本对应关系

GitHub - pytorch/vision: Datasets, Transforms and Models specific to Computer Vision

weixin_43977626的博客 125

[Unity Demo]从零开始制作空洞骑士Hollow Knight第四集:制作更多的敌人

大家好久不见,终于放完中秋假期可以回自己家里打代码了,上一期我介绍了为什么和如何导入2D toolkit以及制作一个完整的敌人(就是那只蚊子包括了精灵,动画,状态机行为以及脚本)现在不妨趁热打铁制作更多的敌人。

dangoxiba的博客 1975

RK3568平台(camera篇) mipi csi接口

MIPI联盟,即移动产业处理器接口(Mobile Industry Processor Interface 简称MIPI)联盟。MIPI(移动产业处理器接口)是MIPI联盟发起的为移动应用处理器制定的开放标准和一个规范。MIPI是差分串口传输,速度快,抗干扰。主流手机模组现在都是用MIPI传输,传输时使用4对差分信号传输图像数据和一对差分时钟信号;MIPI摄像头有三个电源:VDDIO(IO电源),AVDD(模拟电源),DVDD(内核数字电源),不同sensor模组的摄像头供电不同。

weixin_49303682的博客 5348

datasets库安装

datasets库是由提供的一个非常强大的工具,专门用于。它的设计初衷是为机器学习和自然语言处理(NLP)任务提供方便的数据集管理,

weixin_74009895的博客 1449

AISBench benchmark评测工具实操-精度评测场景-采用命令行指定模型和数据集的方式

搭建AISBench benchmark测试环境,包括创建conda环境、安装AISBench benchmark、处理ceval数据集,并修改相关配置文件以适配测试需求。最终,通过启动精度测评,验证了模型在指定环境下的性能。

m0_50105717的博客 2044

【Pytorch官网tutorial】1.3 DATASETS & DATALOADERS

一个自定义数据集类必须实现三个函数:__init__、__len__和__getitem__。请看下面的实现;FashionMNIST图片存储在一个名为img_dir的目录中,它们的标签分别存储在CSV文件annotations_file中。在接下来的几个部分中,我们将分别介绍每个函数。import os#os和pandas是用于操作文件系统和进行数据处理的标准Python库,而read_image是PyTorch中用于读取图像数据的函数。

qilu_88的博客 209

从养殖场到科技前沿:YOLOv11+OpenCV精准计数鸡蛋与鸡

YOLOv11结合OpenCV技术,精准识别和计数鸡蛋与鸡,广泛应用于养殖场、市场监控和自动化包装。通过深度学习与计算机视觉,提升农业生产效率,让智能化管理更简单高效。

专注于深入研究多种编程语言,以实战为导向,逐步拓展开发技能,提升工程化编码和思维能力,展现无敌技术实力。 1208

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Datasets and data loaders

Fashion-MNIST 是 Zalando 文章图像的数据集,由 60,000 个训练示例和 10,000 个测试示例组成。PyTorch 域库提供了许多预加载的数据集(例如 FashionMNIST),这些数据集 特定于特定数据的子类化和实现函数。PyTorch 提供了两个数据原语:允许你使用预加载的数据集以及你自己的数据。当为Ture此时为训练数据,为False时,此时为测试数据。

qq_51384860的博客 67

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

五大经典深度神经网络实战:从CNN到Transformer的PyTorch实现

深度神经网络作为人工智能的核心技术,通过模拟人脑神经元连接方式,实现了从数据中自动学习复杂模式的能力。其核心原理在于多层次的非线性变换与特征抽象,通过反向传播算法优化网络参数。这一技术价值在于能够处理高维、非结构化的海量数据,在图像识别、自然语言处理、序列预测等领域展现出强大性能。在应用场景上,卷积神经网络擅长处理图像等网格数据,循环神经网络及其变体LSTM专攻序列建模,生成对抗网络实现了数据生成与增强,而基于自注意力机制的Transformer则革新了序列处理范式。本文聚焦于这五大经典架构,通过PyTor

weixin_30587927的博客 296

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

从Transformer原理到TPU实战:代码实现与硬件加速指南

注意力机制是深度学习的核心组件之一,它通过动态分配权重,使模型能够聚焦于输入序列中的关键信息,从而有效捕捉长距离依赖关系。其原理基于查询、键、值的点积运算,通过缩放和Softmax归一化生成注意力权重。这一机制的技术价值在于彻底解决了循环神经网络(RNN)的顺序计算瓶颈,实现了高效的并行化处理,为处理大规模序列数据奠定了基础。在自然语言处理、计算机视觉等应用场景中,注意力机制已成为构建强大模型的基石。本文聚焦于Transformer架构,深入解析其核心的多头自注意力机制,并探讨如何利用TPU这一专用硬件进行

weixin_34087307的博客 327

datasets版本迁移指南:从v1到v2的平滑过渡

你是否在升级datasets库时遇到过代码报错?是否困惑于新版本中API的变化?本文将帮助你快速掌握从v1到v2的核心差异,解决90%的迁移问题,让你的数据处理流程无缝过渡。读完本文后,你将能够:识别关键API变更、适配数据加载逻辑、优化并行处理性能,以及解决常见兼容性问题。 ## 版本迁移核心差异概览 datasets v2版本基于Apache Arrow(一种列式内存格式)重构了底层架构,...

gitblog_00575的博客 938

tensorflow-datasets版本

tf2.0 对应 tensorflow-datsets==2.0.0 也是通过pip install 安装

u011817420的博客 2244

【Transformers基础入门篇5】基础组件之Datasets

dataset库是一个非常简单易用的数据集加载库,可以方便快捷的从本地或者HuggingFace Hub加载数据集公开数据集地址:# filed 指限定某个字段的数据。

hjxu2016的博客 2615

百度 AI Studio 的 datasets(Hugging Face 数据集库)、PaddlePaddle(飞桨深度学习框架)和 fsspec(文件系统抽象库)的版本对应关系

摘要(148字) Hugging Face的datasets库、PaddlePaddle深度学习框架与fsspec文件系统库存在版本强约束关系。验证显示最佳兼容组合为:fsspec[http]==2024.9.0 + datasets==3.2.0 + paddlepaddle==2.5.2。关键冲突源于datasets&lt;=3.2.0强制要求fsspec&lt;=2024.9.0,而新版PaddlePaddle(2.4+)兼容更广泛的fsspec版本。在百度AI Studio中需手动降级fsspec并

AI 前沿技术实战博客:LLM / Agent / AI 制药 / 生信四大栏目日更,硬核干货 + 可复现代码,看完就能上手 1097

pytorch-gpu 版本安装以及 Linux 磁盘空间管理

今天遇到了几个有意思的问题,折腾了一天,总算是解决了。记录一下,之后如果再遇到,或者大家有类似的问题,可供参考。

即事多所欣 的博客 663

YOLOv5--加载数据集

【代码】YOLOv5--加载数据集。

weixin_47843380的博客 622

Python之Datasets库安装报错的解决方法

这里写自定义目录标题Python之Datasets库安装报错的解决方法ProblemSolution Python之Datasets库安装报错的解决方法 Problem 想要run一下最近在看的有关Domain Adaptation的论文实现代码,文中使用了Datasets库,习惯性使用Anaconda Prompt安装包,但是 常用的pip install XXX报错,找不到适用的版本 又尝试了conda install XXX,仍然无法顺利安装 Solution 相当粗暴的解决方式: https://p

weixin_45747563的博客 8884

keras中7大数据集datasets介绍

keras数据集主要有以下7种(可从keras官方文档阅读:https://keras.io/datasets/),对其中部分数据集我进行了学习和实践,并写了笔记。 另外加几个数据集的下载地址: dog images:https://s3-us-west-1.amazonaws.com/udacity-aind/dog-project/dogImages.zip CIFAR10:https...

山中有石为玉 1万+
上一篇: PyTorch翻译官网教程2-TENSORS
下一篇: PyTorch翻译官网教程4-TRANSFORMS
poorCoder_
博客等级 码龄10年 129粉丝 41原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值