请我喝杯咖啡☕

*我的帖子解释了 emnist。

emnist()可以使用emnist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(required-type:str)。 *可以设置“byclass”、“bymerge”、“balanced”、“letters”、“digits”或“mnist”。
• 有训练参数（可选-默认：false-类型：float）： *备注：
  • 对于 split="byclass" 和 split="byclass"，如果为 true，则使用训练数据（697,932 张图像），如果为 false，则使用测试数据（116,323 张图像）。
  • 对于 split="balanced"，如果为 true，则使用训练数据（112,800 张图像），如果为 false，则使用测试数据（188,00 张图像）。
  • 对于 split="letters"，如果为 true，则使用训练数据（124,800 张图像），如果为 false，则使用测试数据（20,800 张图像）。
  • 对于 split="digits"，如果为 true，则使用训练数据（240,000 张图像），如果为 false，则使用测试数据（40,000 张图像）。
  • 对于 split="mnist"，如果为 true，则使用训练数据（60,000 张图像），如果为 false，则使用测试数据（10,000 张图像）。
• 有转换参数（可选-默认：无-类型：可调用）。
• 有 target_transform 参数（可选-默认：无-类型：可调用）。
• 有下载参数（可选-默认：false-类型：bool）： *备注：
  • 如果为 true，则从互联网下载数据集并解压（解压）到根目录。
  • 如果为 true 并且数据集已下载，则将其提取。
  • 如果为 true 并且数据集已下载并提取，则不会发生任何事情。
  • 如果数据集已经下载并提取，则应该为 false，因为它速度更快。
  • 您可以从此处手动下载并提取数据集，例如数据/emnist/raw/.
• 存在图像默认翻转并逆时针旋转90度的错误，因此需要对其进行转换。

from torchvision.datasets import emnist

train_data = emnist(
    root="data",
    split="byclass"
)

train_data = emnist(
    root="data",
    split="byclass",
    train=true,
    transform=none,
    target_transform=none,
    download=false
)

test_data = emnist(
    root="data",
    split="byclass",
    train=false
)

len(train_data), len(test_data)
# 697932 116323

train_data
# dataset emnist
#     number of datapoints: 697932
#     root location: data
#     split: train

train_data.root
# 'data'

train_data.split
# 'byclass'

train_data.train
# true

print(train_data.transform)
# none

print(train_data.target_transform)
# none

train_data.download
# <bound method emnist.download of dataset emnist
#     number of datapoints: 697932
#     root location: data
#     split: train>

train_data[0]
# (<pil.image.image image mode=l size=28x28>, 35)

train_data[1]
# (<pil.image.image image mode=l size=28x28>, 36)

train_data[2]
# (<pil.image.image image mode=l size=28x28>, 6)

train_data[3]
# (<pil.image.image image mode=l size=28x28>, 3)

train_data[4]
# (<pil.image.image image mode=l size=28x28>, 22)

train_data.classes
# ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
#  'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm',
#  'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z',
#  'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm',
#  'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z']

from torchvision.datasets import emnist

train_data = emnist(
    root="data",
    split="byclass",
    train=true
)

test_data = emnist(
    root="data",
    split="byclass",
    train=false
)

import matplotlib.pyplot as plt

def show_images(data):
    plt.figure(figsize=(12, 2))
    col = 5
    for i, (image, label) in enumerate(data, 1):
        plt.subplot(1, col, i)
        plt.title(label)
        plt.imshow(image)
        if i == col:
            break
    plt.show()

show_images(data=train_data)
show_images(data=test_data)

from torchvision.datasets import EMNIST
from torchvision.transforms import v2

train_data = EMNIST(
    root="data",
    split="byclass",
    train=True,
    transform=v2.Compose([
        v2.RandomHorizontalFlip(p=1.0),
        v2.RandomRotation(degrees=(90, 90))
    ])
)

test_data = EMNIST(
    root="data",
    split="byclass",
    train=False,
    transform=v2.Compose([
        v2.RandomHorizontalFlip(p=1.0),
        v2.RandomRotation(degrees=(90, 90))
    ])
)

import matplotlib.pyplot as plt

def show_images(data):
    plt.figure(figsize=(12, 2))
    col = 5
    for i, (image, label) in enumerate(data, 1):
        plt.subplot(1, col, i)
        plt.title(label)
        plt.imshow(image)
        if i == col:
            break
    plt.show()

show_images(data=train_data)
show_images(data=test_data)

以上就是PyTorch 中的 EMNIST的详细内容，更多请关注php中文网其它相关文章！