PyTorch 中的花朵

请我喝杯咖啡☕

*我的帖子解释了牛津 102 花。

flowers102()可以使用oxford 102 flower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 split(可选-默认:”trn”-类型:str)。 *可以设置“train”（1,020张图片）、“val”（1,020张图片）或“test”（6,149张图片）。
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（102flowers.tgz 以及 imagelabels.mat 和 setid.matff 到 data/flowers-102/。
关于训练和验证图像索引的类别（类）的标签，0是0~9，1是10~19，2是20~29，3是30~39，4是40~49， 5为50~59，6为60~69，7为70~79，8为80~89，9为90~99等
关于测试图像索引的类别（类）标签，0为0~19，1为20~59，2为60~79，3为80~115，4为116~160，5为161~185，6为186~205，7为206~270，8为271~296，9为297~321等。

from torchvision.datasets import Flowers102  train_data = Flowers102(     root="data" )  train_data = Flowers102(     root="data",     split="train",     transform=None,     target_transform=None,     download=False )  val_data = Flowers102(     root="data",     split="val" )  test_data = Flowers102(     root="data",     split="test" )  len(train_data), len(val_data), len(test_data) # (1020, 1020, 6149)  train_data # Dataset Flowers102 #     Number of datapoints: 1020 #     Root location: data #     split=train  train_data.root # 'data'  train_data._split # 'train'  print(train_data.transform) # None  print(train_data.target_transform) # None  train_data.download # <bound method Flowers102.download of Dataset Flowers102 #     Number of datapoints: 1020 #     Root location: data #     split=train>  len(set(train_data._labels)), train_data._labels # (102, #  [0, 0, 0, ..., 1, ..., 2, ..., 3, ..., 4, ..., 5, ..., 6, ..., 101])  train_data[0] # (<PIL.Image.Image image mode=RGB size=754x500>, 0)  train_data[1] # (<PIL.Image.Image image mode=RGB size=624x500>, 0)  train_data[2] # (<PIL.Image.Image image mode=RGB size=667x500>, 0)  train_data[10] # (<PIL.Image.Image image mode=RGB size=500x682>, 1)  train_data[20] # (<PIL.Image.Image image mode=RGB size=667x500>, 2)  val_data[0] # (<PIL.Image.Image image mode=RGB size=606x500>, 0)  val_data[1] # (<PIL.Image.Image image mode=RGB size=667x500>, 0)  val_data[2] # (<PIL.Image.Image image mode=RGB size=500x628>, 0)  val_data[10] # (<PIL.Image.Image image mode=RGB size=500x766>, 1)  val_data[20] # (<PIL.Image.Image image mode=RGB size=624x500>, 2)  test_data[0] # (<PIL.Image.Image image mode=RGB size=523x500>, 0)  test_data[1] # (<PIL.Image.Image image mode=RGB size=666x500>, 0)  test_data[2] # (<PIL.Image.Image image mode=RGB size=595x500>, 0)  test_data[20] # (<PIL.Image.Image image mode=RGB size=500x578>, 1)  test_data[60] # (<PIL.Image.Image image mode=RGB size=500x625>, 2)  import matplotlib.pyplot as plt  def show_images(data, ims, main_title=None):     plt.figure(figsize=(10, 5))     plt.suptitle(t=main_title, y=1.0, fontsize=14)     for i, j in enumerate(ims, start=1):         plt.subplot(2, 5, i)         im, lab = data[j]         plt.imshow(X=im)         plt.title(label=lab)     plt.tight_layout()     plt.show()  train_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70) val_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70) test_ims = (0, 1, 2, 20, 60, 80, 116, 161, 186, 206)  show_images(data=train_data, ims=train_ims, main_title="train_data") show_images(data=train_data, ims=val_ims, main_title="val_data") show_images(data=test_data, ims=test_ims, main_title="test_data")

登录后复制