ImageNet in PyTorch

Jan 04, 2025 pm 10:25 PM

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt ImageNet.

ImageNet() kann den ImageNet-Datensatz wie unten gezeigt verwenden:

*Memos:

  • Das 1. Argument ist root(Required-Type:str oder pathlib.Path). *Ein absoluter oder relativer Pfad ist möglich.
  • Das 2. Argument ist geteilt(Optional-Default:"train"-Type:str): *Memos:
    • Es kann „train“ (1.281.167 Bilder) oder „val“ (50.000 Bilder) eingestellt werden.
    • „test“ (100.000 Bilder) wird nicht unterstützt, daher habe ich die Funktion auf GitHub angefordert.
  • Es gibt ein Transformationsargument (Optional-Default:None-Type:callable). *transform= muss verwendet werden.
  • Es gibt das Argument target_transform (Optional-Default:None-Type:callable). – Es gibt ein Transformationsargument (Optional-Default:None-Type:callable). *target_transform= muss verwendet werden.
  • Es gibt ein Loader-Argument (Optional-Default:torchvision.datasets.folder.default_loader-Type:callable). *loader= muss verwendet werden.
  • Sie müssen den Datensatz (ILSVRC2012_devkit_t12.tar.gz, ILSVRC2012_img_train.tar und ILSVRC2012_img_val.tar) manuell nach data/ herunterladen und dann ImageNet() ausführen, um den Datensatz zu extrahieren und zu laden.
  • Über die Beschriftung der Klassen für den Zug- bzw. Validierungsbildindex, Schleie&Tinca tinca(0) sind 0~1299 und 0~49, Goldfisch &Carassius auratus(1) sind 1300~2599 und 50~99, Großer Weißer Hai&Weißer Hai&Menschenfresser&Menschenfressender Hai&Carcharodon carcharias(2) sind 2600~3899 und 100~149, Tigerhai&Galeocerdo cuvieri(3) sind 3900~5199 und 150~199, Hammerhai&Hammerhai (4) sind 5200~6499 und 200~249, Zitterrochen&Kampffisch&Taubfisch&Torpedo(5) sind 6500~7799 und 250~299, Stachelrochen(6) ist 7800~9099 und 250~299, Hahn(7) ist 9100~10399 und 300~349, Henne(8) ist 10400~11699 und 350~399, Strauß&Struthio camelus(9) sind 11700~12999 und 400~449 usw.
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")

ImageNet in PyTorch

ImageNet in PyTorch

Das obige ist der detaillierte Inhalt vonImageNet in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Clothoff.io

Clothoff.io

KI-Kleiderentferner

Video Face Swap

Video Face Swap

Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Polymorphismus in Pythonklassen Polymorphismus in Pythonklassen Jul 05, 2025 am 02:58 AM

Der Polymorphismus ist ein Kernkonzept in der objektorientierten Programmierung von Python-Objekte und bezieht sich auf "eine Schnittstelle, mehrere Implementierungen" und ermöglicht eine einheitliche Verarbeitung verschiedener Arten von Objekten. 1. Polymorphismus wird durch Umschreiben durch Methode implementiert. Unterklassen können übergeordnete Klassenmethoden neu definieren. Zum Beispiel hat die Spoke () -Methode der Tierklasse unterschiedliche Implementierungen in Hunde- und Katzenunterklassen. 2. Die praktischen Verwendungen des Polymorphismus umfassen die Vereinfachung der Codestruktur und die Verbesserung der Skalierbarkeit, z. 3. Die Python -Implementierungspolymorphismus muss erfüllen: Die übergeordnete Klasse definiert eine Methode, und die untergeordnete Klasse überschreibt die Methode, erfordert jedoch keine Vererbung derselben übergeordneten Klasse. Solange das Objekt dieselbe Methode implementiert, wird dies als "Ententyp" bezeichnet. 4. Zu beachten ist die Wartung

Python -Funktionsargumente und Parameter Python -Funktionsargumente und Parameter Jul 04, 2025 am 03:26 AM

Parameter sind Platzhalter beim Definieren einer Funktion, während Argumente spezifische Werte sind, die beim Aufrufen übergeben wurden. 1. Die Positionsparameter müssen in der Reihenfolge übergeben werden, und eine falsche Reihenfolge führt zu Fehlern im Ergebnis. 2. Die Schlüsselwortparameter werden durch Parameternamen angegeben, die die Reihenfolge ändern und die Lesbarkeit verbessern können. 3. Die Standardparameterwerte werden zugewiesen, wenn sie definiert sind, um einen doppelten Code zu vermeiden. Variable Objekte sollten jedoch als Standardwerte vermieden werden. 4. Argumente und *KWARGs können die unsichere Anzahl von Parametern bewältigen und sind für allgemeine Schnittstellen oder Dekorateure geeignet, sollten jedoch mit Vorsicht verwendet werden, um die Lesbarkeit aufrechtzuerhalten.

Python `@classMethod` Dekorateur erklärte Python `@classMethod` Dekorateur erklärte Jul 04, 2025 am 03:26 AM

Eine Klassenmethode ist eine Methode, die in Python über den @ClassMethod Decorator definiert ist. Sein erster Parameter ist die Klasse selbst (CLS), mit der auf den Klassenzustand zugreifen oder diese ändern wird. Es kann durch eine Klasse oder Instanz aufgerufen werden, die die gesamte Klasse und nicht auf eine bestimmte Instanz betrifft. In der Personklasse zählt beispielsweise die Methode show_count () die Anzahl der erstellten Objekte. Wenn Sie eine Klassenmethode definieren, müssen Sie den @classMethod Decorator verwenden und die ersten Parameter -CLS wie die Methode Change_var (new_value) benennen, um Klassenvariablen zu ändern. Die Klassenmethode unterscheidet sich von der Instanzmethode (Selbstparameter) und der statischen Methode (keine automatischen Parameter) und eignet sich für Fabrikmethoden, alternative Konstruktoren und die Verwaltung von Klassenvariablen. Gemeinsame Verwendungen umfassen:

Was ist Listenschneide in Python? Was ist Listenschneide in Python? Jun 29, 2025 am 02:15 AM

ListsericinpythonextractSaportionofalistusingindices.1

Erklären Sie Python -Generatoren und Iteratoren. Erklären Sie Python -Generatoren und Iteratoren. Jul 05, 2025 am 02:55 AM

Iteratoren sind Objekte, die __iter __ () und __next __ () Methoden implementieren. Der Generator ist eine vereinfachte Version von Iteratoren, die diese Methoden automatisch über das Keyword für Rendite implementiert. 1. Der Iterator gibt jedes Mal, wenn er als nächstes anruft, ein Element zurück und wirft eine Ausnahme in der Stopperation aus, wenn es keine Elemente mehr gibt. 2. Der Generator verwendet Funktionsdefinition, um Daten auf Bedarf zu generieren, Speicher zu speichern und unendliche Sequenzen zu unterstützen. 3. Verwenden Sie Iteratoren, wenn Sie vorhandene Sätze verarbeiten, und verwenden Sie einen Generator, wenn Sie dynamisch Big Data oder faule Bewertung generieren, z. B. das Laden von Zeilen nach Zeile beim Lesen großer Dateien. Hinweis: Iterbare Objekte wie Listen sind keine Iteratoren. Sie müssen nach dem Erreichen des Iterators nach seinem Ende nachgebaut werden, und der Generator kann ihn nur einmal durchqueren.

Wie kombiniert ich zwei Listen in Python? Wie kombiniert ich zwei Listen in Python? Jun 30, 2025 am 02:04 AM

Es gibt viele Möglichkeiten, zwei Listen zusammenzuführen, und die Auswahl des richtigen Weges kann die Effizienz verbessern. 1. Verwenden Sie das Spleißen der Nummer, um eine neue Liste zu generieren, z. B. List1 List2; 2. verwenden Sie die ursprüngliche Liste, z. B. list1 = list2; 3.. Verwenden Sie Extend () -Methoden, um in der ursprünglichen Liste zu arbeiten, z. B. List1.Ettend (List2); 4. Verwenden Sie die Nummer zum Auspacken und Zusammenführen (Python3.5), wie z. Verschiedene Methoden sind für unterschiedliche Szenarien geeignet, und Sie müssen basierend darauf auswählen, ob die Originalliste und die Python -Version geändert werden sollen.

Wie man mit der API -Authentifizierung in Python umgeht Wie man mit der API -Authentifizierung in Python umgeht Jul 13, 2025 am 02:22 AM

Der Schlüssel zum Umgang mit der API -Authentifizierung besteht darin, die Authentifizierungsmethode korrekt zu verstehen und zu verwenden. 1. Apikey ist die einfachste Authentifizierungsmethode, die normalerweise in den Anforderungsheader- oder URL -Parametern platziert ist. 2. BasicAuth verwendet Benutzername und Kennwort für die Basis64 -Codierungsübertragung, die für interne Systeme geeignet ist. 3.. OAuth2 muss das Token zuerst über Client_id und Client_secret erhalten und dann das BearerToken in den Anforderungsheader bringen. V. Kurz gesagt, die Auswahl der entsprechenden Methode gemäß dem Dokument und das sichere Speichern der Schlüsselinformationen ist der Schlüssel.

Was sind Python Magic -Methoden oder Dunder -Methoden? Was sind Python Magic -Methoden oder Dunder -Methoden? Jul 04, 2025 am 03:20 AM

Pythons MagicMethods (oder Dunder -Methoden) sind spezielle Methoden, um das Verhalten von Objekten zu definieren, die mit einem doppelten Unterstrich beginnen und enden. 1. Sie ermöglichen es Objekten, auf integrierte Operationen wie Addition, Vergleich, String-Darstellung usw. Zu reagieren; 2. Die gemeinsamen Anwendungsfälle umfassen Objektinitialisierung und Darstellung (__init__, __Rep__, __str__), arithmetische Operationen (__add__, __sub__, __mul__) und Vergleichsoperationen (__EQ__, ___LT__); 3. Wenn Sie es verwenden, stellen Sie sicher, dass ihr Verhalten den Erwartungen entspricht. Zum Beispiel sollte __Rep__ Ausdrücke refitueller Objekte zurückgeben, und arithmetische Methoden sollten neue Instanzen zurückgeben. 4.. Überbeanspruchte oder verwirrende Dinge sollten vermieden werden.

See all articles