注意
点击 这里 下载完整的示例代码
学习基础知识 || 快速入门 || 张量 || 数据集和数据加载器 || 变换 || 构建模型 || 自动求导 || 优化 || 保存和加载模型
转换
创建日期:2021年2月9日 | 最后更新:2021年8月11日 | 最后验证:未验证
数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用transforms来对数据进行一些操作,使其适合训练。
所有TorchVision数据集都有两个参数 -transform
用于修改特征和
target_transform
用于修改标签 - 这些参数接受包含转换逻辑的可调用对象。
torchvision.transforms 模块提供了
几种常用的转换功能。
FashionMNIST 的特征是 PIL 图像格式,标签是整数。
对于训练,我们需要将特征转换为归一化的张量,并将标签转换为 one-hot 编码的张量。
为了进行这些转换,我们使用 ToTensor
和 Lambda
。
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
ds = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz
0%| | 0.00/26.4M [00:00<?, ?B/s]
0%| | 65.5k/26.4M [00:00<01:12, 364kB/s]
1%| | 229k/26.4M [00:00<00:38, 685kB/s]
4%|3 | 950k/26.4M [00:00<00:11, 2.20MB/s]
15%|#4 | 3.83M/26.4M [00:00<00:02, 7.65MB/s]
37%|###7 | 9.90M/26.4M [00:00<00:00, 17.0MB/s]
59%|#####9 | 15.7M/26.4M [00:01<00:00, 22.1MB/s]
82%|########1 | 21.7M/26.4M [00:01<00:00, 30.1MB/s]
95%|#########5| 25.1M/26.4M [00:01<00:00, 26.7MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.4MB/s]
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 322kB/s]
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|1 | 65.5k/4.42M [00:00<00:12, 363kB/s]
5%|5 | 229k/4.42M [00:00<00:06, 681kB/s]
19%|#9 | 852k/4.42M [00:00<00:01, 2.42MB/s]
44%|####3 | 1.93M/4.42M [00:00<00:00, 4.13MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.08MB/s]
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 34.0MB/s]
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw
ToTensor()
ToTensor
将PIL图像或NumPy ndarray
转换为FloatTensor
,并将图像的像素强度值缩放到[0., 1.]范围内。
Lambda 转换
Lambda 转换应用任何用户定义的 lambda 函数。在这里,我们定义了一个函数将整数转换为 one-hot 编码的张量。它首先创建一个大小为 10 的零张量(我们数据集中的标签数量),并调用 scatter_,它在由标签 y
给出的索引上分配 value=1
。
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))