PyTorch 中的 MNIST

对于一个文章开发者来说，牢固扎实的基础是十分重要的，golang学习网就来带大家一点点的掌握基础知识点。今天本篇文章带大家了解《PyTorch 中的 MNIST》，主要介绍了，希望对大家的知识积累有所帮助，快点收藏起来吧，否则需要时就找不到了！

请我喝杯咖啡☕

*我的帖子解释了 mnist。

mnist() 可以使用 mnist 数据集，如下所示：

*备忘录：

• 第一个参数是 root（必需类型：str 或 pathlib.path）。 *绝对或相对路径都是可能的。
• 第二个参数是 train(optional-default:false-type:float)。 *如果为 true，则使用训练数据（60,000 个样本），如果为 false，则使用测试数据（60,000 个样本）。
• 第三个参数是transform(optional-default:none-type:callable)。
• 第四个参数是 target_transform(optional-default:none-type:callable)。
• 第五个参数是 download(optional-default:false-type:bool): *备注：
  • 如果为 true，则从互联网下载数据集并解压（解压）到根目录。
  • 如果为 true 并且数据集已下载，则将其提取。
  • 如果为 true 并且数据集已下载并提取，则不会发生任何事情。
  • 如果数据集已经下载并提取，则应该为 false，因为它速度更快。
  • 您可以从此处手动下载并提取数据集，例如数据/mnist/原始/。

from torchvision.datasets import mnist

train_data = mnist(
    root="data"
)

train_data = mnist(
    root="data",
    train=true,
    transform=none,
    target_transform=none,
    download=false
)

train_data
# dataset mnist
#     number of datapoints: 60000
#     root location: data
#     split: train

train_data.root
# 'data'

train_data.train
# true

print(train_data.transform)
# none

print(train_data.target_transform)
# none

train_data.download
# 

train_data[0]
# (, 5)

train_data[1]
# (, 0)

train_data[2]
# (, 4)

train_data[3]
# (, 1)

train_data.classes
# ['0 - zero',
#  '1 - one',
#  '2 - two',
#  '3 - three',
#  '4 - four',
#  '5 - five',
#  '6 - six',
#  '7 - seven',
#  '8 - eight',
#  '9 - nine']

from torchvision.datasets import MNIST

train_data = MNIST(
    root="data"
)

test_data = MNIST(
    root="data",
    train=False
)

import matplotlib.pyplot as plt

def show_images(data):
    plt.figure(figsize=(10, 2))
    col = 4
    for i, (image, label) in enumerate(data, 1):
        plt.subplot(1, col, i)
        plt.title(label)
        plt.imshow(image)
        if i == col:
            break
    plt.show()

show_images(data=train_data)
show_images(data=test_data)

以上就是《PyTorch 中的 MNIST》的详细内容，更多关于的资料请关注golang学习网公众号！