请我喝杯咖啡☕
*我的帖子解释了 imagenet。
imagenet()可以使用imagenet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:"train"-类型:str):
*备注：
- 可以设置“train”（1,281,167张图片）或“val”（50,000张图片）。
- 不支持“测试”（100,000 张图像），因此我在 github 上请求了该功能。
- 有转换参数（可选-默认：无-类型：可调用）。必须使用*transform=。
- 有 target_transform 参数（可选-默认：无-类型：可调用）。 - 有转换参数（可选-默认：无-类型：可调用）。必须使用*target_transform=。
- 有 loader 参数（可选-默认：torchvision.datasets.folder.default_loader-类型：可调用）。 *loader=必须使用。
- 您必须手动下载数据集（ilsvrc2012_devkit_t12.tar.gz、ilsvrc2012_img_train.tar 和 ilsvrc2012_img_val.tar 到 data/，然后运行 imagenet() 提取并加载数据集。
- 关于训练图像索引和验证图像索引的类别标签，tench&tincatinca(0) 分别为 0~1299 和 0~49，goldfish &鲫鱼(1) 是1300~2599 和 50~99, 大白鲨&白鲨&食人鲨&食人鲨&carcharodon carcharias(2) 2600~3899和 100~149，虎鲨&galeocerdo cuvieri(3) 是 3900~5199 和 150~199，锤头鲨&锤头鲨 (4) 为 5200~6499 且200~249，电鳐&蟹钳鱼&麻木鱼&鱼雷(5)分别为6500~7799和250~299，黄貂鱼(6) 是7800~9099和250~299，公鸡(7)是9100~10399和300~349，母鸡(8)是10400~11699和350~399， 鸵鸟&鸵鸟（9）分别是11700~12999和400~449等。
from torchvision.datasets import ImageNet
from torchvision.datasets.folder import default_loader
train_data = ImageNet(
root="data"
)
train_data = ImageNet(
root="data",
split="train",
transform=None,
target_transform=None,
loader=default_loader
)
val_data = ImageNet(
root="data",
split="val"
)
len(train_data), len(val_data)
# (1281167, 50000)
train_data
# Dataset ImageNet
# Number of datapoints: 1281167
# Root location: D:/data
# Split: train
train_data.root
# 'data'
train_data.split
# 'train'
print(train_data.transform)
# None
print(train_data.target_transform)
# None
train_data.loader
# <function torchvision.datasets.folder.default_loader(path: str) -> Any>
len(train_data.classes), train_data.classes
# (1000,
# [('tench', 'Tinca tinca'), ('goldfish', 'Carassius auratus'),
# ('great white shark', 'white shark', 'man-eater', 'man-eating shark',
# 'Carcharodon carcharias'), ('tiger shark', 'Galeocerdo cuvieri'),
# ('hammerhead', 'hammerhead shark'), ('electric ray', 'crampfish',
# 'numbfish', 'torpedo'), ('stingray',), ('cock',), ('hen',),
# ('ostrich', 'Struthio camelus'), ..., ('bolete',), ('ear', 'spike',
# 'capitulum'), ('toilet tissue', 'toilet paper', 'bathroom tissue')])
train_data[0]
# (<PIL.Image.Image image mode=RGB size=250x250>, 0)
train_data[1]
# (<PIL.Image.Image image mode=RGB size=200x150>, 0)
train_data[2]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)
train_data[1300]
# (<PIL.Image.Image image mode=RGB size=640x480>, 1)
train_data[2600]
# (<PIL.Image.Image image mode=RGB size=500x375>, 2)
val_data[0]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)
val_data[1]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)
val_data[2]
# (<PIL.Image.Image image mode=RGB size=500x375>, 0)
val_data[50]
# (<PIL.Image.Image image mode=RGB size=500x500>, 1)
val_data[100]
# (<PIL.Image.Image image mode=RGB size=679x444>, 2)
import matplotlib.pyplot as plt
def show_images(data, ims, main_title=None):
plt.figure(figsize=[12, 6])
plt.suptitle(t=main_title, y=1.0, fontsize=14)
for i, j in enumerate(iterable=ims, start=1):
plt.subplot(2, 5, i)
im, lab = data[j]
plt.imshow(X=im)
plt.title(label=lab)
plt.tight_layout(h_pad=3.0)
plt.show()
train_ims = [0, 1, 2, 1300, 2600, 3900, 5200, 6500, 7800, 9100]
val_ims = [0, 1, 2, 50, 100, 150, 200, 250, 300, 350]
show_images(data=train_data, ims=train_ims, main_title="train_data")
show_images(data=val_data, ims=val_ims, main_title="val_data")
