import cv2
import torchvision.transforms as transforms
import torchvision.datasets as datasets
from torch.utils.data import DataLoader
from torch.utils.data import Dataset
from torch.utils.tensorboard import SummaryWriter
transform_to_tensor = transforms.ToTensor()
transform_size = transforms.Resize((32, 32))
transform_compose = transforms.Compose([transform_to_tensor, transform_size])
writer = SummaryWriter("logs")
if __name__ == '__main__':
train_set = datasets.CIFAR10(root='./datasets', download=True, transform=transform_compose, train=True)
test_set = datasets.CIFAR10(root='./datasets', download=True, transform=transform_compose, train=False)
Data = DataLoader(train_set, batch_size=4, shuffle=True, num_workers=0, drop_last=True)
step = 0
for data in Data:
imags, labels = data
writer.add_images("images", imags, step)
step = step + 1
writer.close()
深度学习数据集的准备
最新推荐文章于 2023-07-04 22:19:26 发布
本文介绍了一个使用PyTorch加载CIFAR10数据集并利用TensorBoard进行图像展示的示例。通过组合多个转换操作,如调整大小和将图像转换为张量,实现了数据预处理。同时,该示例还展示了如何通过DataLoader批量读取数据,并使用SummaryWriter将图像写入到TensorBoard中。
部署运行你感兴趣的模型镜像
您可能感兴趣的与本文相关的镜像
PyTorch 2.5
PyTorch
Cuda
PyTorch 是一个开源的 Python 机器学习库,基于 Torch 库,底层由 C++ 实现,应用于人工智能领域,如计算机视觉和自然语言处理
2814

被折叠的 条评论
为什么被折叠?



