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：
Git
程序猿必备版本控制工具
下载
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”、“di
git
s”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（124124,800 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
#
train_data[0]
# (, 35)
train_data[1]
# (, 36)
train_data[2]
# (, 6)
train_data[3]
# (, 3)
train_data[4]
# (, 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)