PyTorch笔记--CIFAR数据集

CIFAR数据集是物体的分类数据集，包含两个不同的数据子集，分别是CIFAR10和CIFAR100，这两个数据集均有60000张32x32大小

的图像，其中每个数据集被分成训练集和测试集两类，训练集有50000张图像，测试集有10000张图像。对于CIFAR10数据集来说，这些

图像被分成不同的10类，CIFAR100数据集则是将这些图像分成不同的100类。

import torch
from torchvision import datasets
from torchvision import transforms
from torch.utils.data import DataLoader

     cifar_train = datasets.CIFAR10('cifar', True, transform=transforms.Compose([
        transforms.Resize((32, 32)),
        transforms.ToTensor()
    ]), download=True)

    cifar_train = DataLoader(cifar_train, batch_size=batchsz, shuffle=True)

    cifar_test = datasets.CIFAR10('cifar', False, transform=transforms.Compose([
        transforms.Resize((32, 32)),
        transforms.ToTensor()
    ]), download=True)

    cifar_test = DataLoader(cifar_test, batch_size=batchsz, shuffle=True)

 

 

CIFAR10(
　　　　root,  # 数据集根目录
　　　　train=True,  # True = 训练集，False=测试集
　　　　transform=None,   # 接收PIL映像并返回转换版本的函数/变换。
　　　　target_transform=None,  # 接受目标并对其进行变换的函数
　　　　download=False  # 下载，如果为true，则从internet下载数据集到根目录中，如果已经下载则不会再次下载。
　　　　)

 

class torch.utils.data.DataLoader(  # 数据加载器。组合数据集和采样器，并在数据集上提供单进程或多进程迭代器。
　　　　　　　　　　　　　　　　　　　　dataset,   # 加载数据的数据集
　　　　　　　　　　　　　　　　　　　　batch_size=1,  # 批训练的数据个数
　　　　　　　　　　　　　　　　　　　　shuffle=False,   # 设置为True，在每个epoch重新排列数据
　　　　　　　　　　　　　　　　　　　　sampler=None,   # 定义从数据集中提取样本的策略，如果为True，则忽略shuffle参数。
　　　　　　　　　　　　　　　　　　　　num_workers=0,   # 用于数据加载的子进程数
　　　　　　　　　　　　　　　　　　　　collate_fn=<function default_collate>, # 合并样本以形成小批量 
　　　　　　　　　　　　　　　　　　　　pin_memory=False,   # 如果为True，数据加载器在返回前将张量复制到CUDA固定内存中
　　　　　　　　　　　　　　　　　　　　drop_last=False  # 如果数据集大小不能被batch_size整除，设置为True可删除最后一个不完整的批处理
　　　　　　　　　　　　　　　　　　　　)