基于pytorch图像数据的导入

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