Pytorch 加载数据集的几种方法

Pytorch 加载数据集的几种方法

总结

坑

方案1：

 

方案2：

train_dataset = torchvision.datasets.MNIST(root='./data',
                                           train=True,
                                           transform=transforms.ToTensor(),
                                           download=True)

test_dataset = torchvision.datasets.MNIST(root='./data',
                                          train=False,
                                          transform=transforms.ToTensor())

# Data loader
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                           batch_size=batch_size,
                                           shuffle=True)

test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
                                          batch_size=batch_size,
                                          shuffle=False)

在for循环中调用

for i, (images, labels) in enumerate(train_loader):

方案3：官网的介绍

Dataset stores the samples and their corresponding labels

Dataset 包含数据样本和相应的标签labels；

DataLoader wraps an iterable around the Dataset to enable easy access to the samples.

DataLoader 相当于是对dateset的一个迭代器封装；

对数据集中的数据，进行可视化；

 

构建自己的dataset

Datasets & DataLoaders — PyTorch Tutorials 1.11.0+cu102 documentation

官方文档YYDS