讀取和歸一化CIFAR10

讀取和歸一化cifar10：

torchvision.datasets.cifar10(root, train=true, transform=none, target_transform=none, download=false)

root:cifar-10-batches-py 的根目錄

train:true = 訓練集 ,false = 測試集

transform:接受pil影象的函式/變換，並返回轉換後的版本。

class torch.utils.data.dataloader(dataset, batch_size=1, shuffle=false, sampler=none, num_workers=0, collate_fn=, pin_memory=false, drop_last=false)

引數說明：

dataset:載入資料的資料集

batch_size:每個batch載入多少個樣本(預設: 1)。

shuffle:設定為true時會在每個epoch重新打亂資料(預設: false).

sampler:定義從資料集中提取樣本的策略。如果指定，則忽略shuffle引數。

num_workers:用多少個子程序載入資料。0表示資料將在主程序中載入(預設: 0)

drop_last (bool, optional) :如果資料集大小不能被batch size整除，則設定為true後可刪除最後乙個不完整的batch。如果設為false並且資料集的大小不能被batch size整除，則最後乙個batch將更小。(預設: false)

transforms.totensor：不明

transforms.normalize：不明

程式：

import torch

import torchvision
import torchvision.transforms as transforms
transform = transforms.compose(
[transforms.totensor(),
transforms.normalize(
(0.5
,0.5
,0.5),
(0.5
,0.5
,0.5))
])#訓練集
trainset = torchvision.datasets.cifar10(root=
'./data'
, train=
true
, download=
true
, transform=transform)
trainloader = torch.utils.data.dataloader(trainset, batch_size=4,
shuffle=
true
, num_workers=2)
#測試集
testset = torchvision.datasets.cifar10(root=
'./data'
, train=
false
, download=
true
, transform=transform)
testloader = torch.utils.data.dataloader(testset, batch_size=4,
shuffle=
false
, num_workers=2)
classes =
('plane'
,'car'
,'bird'
,'cat'
,'deer'
,'dog'
,'frog'
,'horse'
,'ship'
,'truck'
)

cifar10資料的讀取

cifar10資料集檔案結構如圖所示，其中data batch 1 5.bin是訓練集，每個檔案包含10000個樣本，test batch.bin是測試集，包含10000個樣本。開啟任意乙個檔案，發現是一堆二進位制資料，其中乙個樣本由3037個位元組組成，其中第乙個位元組是label，剩餘3036 ...

CIFAR 10資料集讀取

參考 1 使用讀取方式pickle def unpickle file import pickle with open file,rb as fo dict pickle.load fo,encoding bytes return dict 返回的是乙個python字典 2 通過字典的內建函式，獲取...

CIFAR 10模型訓練與視覺化

通過caffe深度學習框架在cifar10資料集訓練得到模型，觀察並分析模型的train loss test loss及accuracy曲線，並對得到的caffemodel進行測試。資料集介紹 cifar 10是乙個使用非常廣泛的物體識別影象資料集，cifar 10資料中包含了60000張32 32...