数据集： CIFAR-100数据集介绍和使用

参考：CIFAR100数据集介绍及使用方法-CSDN博客

1. 简介：

CIFAR-100 Dataset 是用于机器视觉领域的图像分类数据集，拥有 20 个大类，共计 100 个小类，其中每个小类包含 600 张图像（500 张训练图像和 100 张测试图像）并且每张图像均有一个小标签和一个大标签。对于每一张图像，他有fine_labels和coarse_labels两个标签，分别代表图像的细粒度和粗粒度标签，对应下图的classes和superclass.

该数据集由多伦多大学计算机科学系的 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 于 2009 年发布，相关论文有《Learning Multiple Layers of Features from Tiny Images》。

 

 

2. 下载和导入方法：

 导入的代码如下：

CIFAR_PATH = "自己的路径"
mean = [0.5070751592371323, 0.48654887331495095, 0.4409178433670343]
std = [0.2673342858792401, 0.2564384629170883, 0.27615047132568404]
num_workers= 2

def cifar100_dataset(args):
    transform_train = transforms.Compose([
        transforms.RandomCrop(32, padding=4),
        transforms.RandomHorizontalFlip(),
        transforms.RandomRotation(15),  # 数据增强
        transforms.ToTensor(),
        transforms.Normalize(mean, std)
    ])
    transform_test = transforms.Compose(
        [transforms.ToTensor(),
        transforms.Normalize(mean, std)])

    cifar100_training = torchvision.datasets.CIFAR100(root=CIFAR_PATH, train=True, download=True, transform=transform_train)
    trainloader = torch.utils.data.DataLoader(cifar100_training, batch_size=args.bs, shuffle=True, num_workers=num_workers)
        
    cifar100_testing = torchvision.datasets.CIFAR100(root=CIFAR_PATH, train=False, download=True, transform=transform_test)
    testloader = torch.utils.data.DataLoader(cifar100_testing, batch_size=100, shuffle=False, num_workers=num_workers)
    
    return trainloader,testloader