1.transforms()函数
import torchvision.transforms as transforms
transforms = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize()]
)
transforms()函数介绍：
| 函数 |
介绍 |
用法 |
| ToTensor() |
将原始的PILImage格式或者numpy格式的数据格式化。 |
输入模式为的PIL Image 或 numpy |
| Normalize() |
数据标准化归一化，即均值为0，标准差为1，可以加快模型的收敛 |
output = (input - mean) / std （mean:各通道的均值 std：各通道的标准差 inplace：是否原地操作） |
| Resize() |
调整PILImage对象的尺寸 |
例如transforms.Resize([28, 28])就能将输入图片转化成28×28的输入特征图。 |
| Grayscale() |
将图像转换成灰色图片 |
num_output_channels=1 是正常的灰图 当为3时，R=G=B |
2.ImageFolder()、DataLoader()函数
from torchvision.datasets import ImageFolder
from torch.utils.data import DataLoader
batch_size = 32
train_data = ImageFolder(root= '地址', transform=transform )
train_loader = DataLoader(dataset=train_data,
batch_size=batch_size,
pin_memory=True, num_workers=8, shuffle=True)
ImageFolder()函数介绍：
| 参数 |
介绍 |
| root |
指定的路径下寻找图片 |
| transform |
即上文中操作后的transform |
| target_transform |
对label的转换 |
DataLoader()函数介绍：
epoch：所有的训练样本输入到模型中，为一个epoch（样本总数）
iteration：一批样本输入到模型中，成为一个Iteration（迭代次数）
batchszie：决定一个epoch有多少个Iteration（批尺寸）
迭代次数（iteration）=样本总数（epoch）/批尺寸（batchszie）
| 参数 |
介绍 |
| dataset |
读取数据 |
| batch_size |
每次训练样本的数量 |
| shuffle |
epoch是否为乱序 |
| num_workers |
是否多进程读取数据 |
| drop_last |
样本不能被整除，余出数据是否舍去 |
| pin_memory |
是否使用GPU训练 |
