什么是torchvision.datasets、

是pytorch官方给出的关于cv领域的训练数据集，我们可以用官方提供的数据集进行学习与训练

如何查看

我们可以进入Pytorch官网


切换一下版本到v0.9.0，就可以看到官方给出的数据集了

同时也有官方训练好的cv模型可以供我们学习使用

如何使用

以使用CIFAR10为例，首先导入torchvision

import torchvision

然后通过代码

train_set = torchvision.datasets.CIFAR10()

进入源码查看

同时在__init__方法中，我们也可以看到root参数是一定要赋值的，而其他的变量都有默认值

了解到参数的用法后，我们就可以来创建自己的数据集了

train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, download=True)

运行后就会自己下载数据集了


而生成的train_set和test_set相当于是img和label的键值对数据，这一点我们通过

print(train_set[0])

就可以看到

因为我们没有指定transforms所以图片的默认格式是PIL.Image，后面的6代表是在标签中的第六个位置，所有的类别存放在train_set对象中的classes中

我们通过

img,label = train_set[0]
print(train_set.classes[label])

就能看到对应的标签了

---

如果我们想将图片的格式改为tensor格式，我们就可以预先配置好对应的对象，然后在数据集中配置,比如

# 配置tansform的对象
trans = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])

#在transform中添加刚刚的配置
train_set = torchvision.datasets.CIFAR10(root="./dataset", transform=trans, train=True, download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset", transform=trans, train=False, download=True)

# 查看运行结果
img, label = train_set[0]
print(type(img))

可以发现已经转化为tensor类型了

---

同时我们也可以引入TensorBoard，来对训练集的前十个数据进行可视化

writer = SummaryWriter("logs")
for i in range(10):
    img,label = train_set[i]
    writer.add_image("train", img, i)   # 将训练数据集中的img添加到writer中
writer.close()