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)
