请我喝杯咖啡☕
*我的帖子解释了 kmnist。
kmnist() 可以使用 kmnist 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 train(optional-default:true-type:bool)。 *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）。
- 第三个参数是transform(optional-default:none-type:callable)。
- 第四个参数是 target_transform(optional-default:none-type:callable)。
- 第五个参数是 download(optional-default:false-type: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/kmnist/原始/。
from torchvision.datasets import kmnist train_data = kmnist( root="data" ) train_data = kmnist( root="data", train=true, transform=none, target_transform=none, download=false ) test_data = kmnist( root="data", train=false ) len(train_data), len(test_data) # (60000, 10000) train_data # dataset kmnist # number of datapoints: 60000 # root location: data # split: train train_data.root # 'data' train_data.train # true print(train_data.transform) # none print(train_data.target_transform) # none train_data.download # <bound method mnist.download of dataset kmnist # number of datapoints: 60000 # root location: data # split: train> train_data[0] # (<pil.image.image image mode=l size=28x28>, 8) train_data[1] # (<pil.image.image image mode=l size=28x28>, 7) train_data[2] # (<pil.image.image image mode=l size=28x28>, 0) train_data[3] # (<pil.image.image image mode=l size=28x28>, 1) train_data[4] # (<pil.image.image image mode=l size=28x28>, 4) train_data.classes # ['o', 'ki', 'su', 'tsu', 'na', 'ha', 'ma', 'ya', 're', 'wo']
from torchvision.datasets import KMNIST train_data = KMNIST( root="data", train=True ) test_data = KMNIST( root="data", 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)
