PyTorch读取Cifar数据集并显示图片的实例讲解

PyTorch是一个流行的深度学习框架，可以用于训练各种类型的神经网络。在训练神经网络时，我们通常需要使用数据集。本文将提供一个详细的攻略，介绍如何使用PyTorch读取Cifar数据集并显示图片，并提供两个示例说明。

1. 下载Cifar数据集

首先，我们需要下载Cifar数据集。可以从以下链接下载Cifar数据集：

• Cifar-10
• Cifar-100

下载完成后，我们需要解压缩数据集。以下是一个示例代码，展示了如何解压缩Cifar-10数据集：

tar -zxvf cifar-10-python.tar.gz

2. 使用PyTorch读取Cifar数据集

在PyTorch中，我们可以使用torchvision.datasets模块读取Cifar数据集。以下是一个示例代码，展示了如何使用PyTorch读取Cifar-10数据集：

import torch
import torchvision.datasets as datasets
import torchvision.transforms as transforms

# 定义数据转换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 加载数据集
trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

# 加载数据集的数据和标签
train_data = trainset.data
train_labels = trainset.targets
test_data = testset.data
test_labels = testset.targets

在上面的示例代码中，我们首先定义了一个数据转换transform，用于将数据转换为PyTorch Tensor，并进行归一化。然后，我们使用datasets.CIFAR10方法加载Cifar-10数据集，并指定数据转换。最后，我们使用trainset.data和trainset.targets分别获取训练集的数据和标签，使用testset.data和testset.targets分别获取测试集的数据和标签。

需要注意的是，datasets.CIFAR10方法会自动下载Cifar-10数据集，并将数据集存储在指定的root目录下。

3. 显示Cifar数据集的图片

在PyTorch中，我们可以使用matplotlib库显示Cifar数据集的图片。以下是一个示例代码，展示了如何显示Cifar-10数据集的图片：

import matplotlib.pyplot as plt
import numpy as np

# 定义标签名称
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

# 显示图片
def imshow(img):
    img = img / 2 + 0.5     # 反归一化
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

# 随机获取一张图片
dataiter = iter(trainset)
images, labels = dataiter.next()
image = images[0]
label = labels[0]

# 显示图片和标签
imshow(image)
print(classes[label])

在上面的示例代码中，我们首先定义了标签名称classes。然后，我们定义了一个imshow函数，用于显示图片。接着，我们使用iter方法获取一个迭代器dataiter，并使用next方法获取一个数据和标签。最后，我们使用imshow函数显示图片，并使用print函数输出标签名称。

需要注意的是，我们需要对数据进行反归一化，才能正确显示图片。

4. 示例1：使用PyTorch读取Cifar-10数据集并显示图片

以下是一个示例代码，展示了如何使用PyTorch读取Cifar-10数据集并显示图片：

import torch
import torchvision.datasets as datasets
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np

# 定义数据转换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 加载数据集
trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)

# 定义标签名称
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

# 显示图片
def imshow(img):
    img = img / 2 + 0.5     # 反归一化
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

# 随机获取一张图片
dataiter = iter(trainset)
images, labels = dataiter.next()
image = images[0]
label = labels[0]

# 显示图片和标签
imshow(image)
print(classes[label])

在上面的示例代码中，我们首先定义了一个数据转换transform，用于将数据转换为PyTorch Tensor，并进行归一化。然后，我们使用datasets.CIFAR10方法加载Cifar-10数据集，并指定数据转换。接着，我们定义了标签名称classes。然后，我们定义了一个imshow函数，用于显示图片。接着，我们使用iter方法获取一个迭代器dataiter，并使用next方法获取一个数据和标签。最后，我们使用imshow函数显示图片，并使用print函数输出标签名称。

需要注意的是，我们需要对数据进行反归一化，才能正确显示图片。

5. 示例2：使用PyTorch读取Cifar-100数据集并显示图片

以下是一个示例代码，展示了如何使用PyTorch读取Cifar-100数据集并显示图片：

import torch
import torchvision.datasets as datasets
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np

# 定义数据转换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 加载数据集
trainset = datasets.CIFAR100(root='./data', train=True, download=True, transform=transform)

# 定义标签名称
classes = ('beaver', 'dolphin', 'otter', 'seal', 'whale', 'aquarium fish', 'flatfish', 'ray', 'shark', 'trout', 'orchids', 'poppies', 'roses', 'sunflowers', 'tulips', 'bottles', 'bowls', 'cans', 'cups', 'plates', 'apples', 'mushrooms', 'oranges', 'pears', 'sweet peppers', 'clock', 'computer keyboard', 'lamp', 'telephone', 'television', 'bed', 'chair', 'couch', 'table', 'wardrobe', 'bee', 'beetle', 'butterfly', 'caterpillar', 'cockroach', 'bear', 'leopard', 'lion', 'tiger', 'wolf', 'bridge', 'castle', 'house', 'road', 'skyscraper', 'cloud', 'forest', 'mountain', 'plain', 'sea', 'camel', 'cattle', 'chimpanzee', 'elephant', 'kangaroo', 'fox', 'porcupine', 'possum', 'raccoon', 'skunk', 'crab', 'lobster', 'snail', 'spider', 'worm', 'baby', 'boy', 'girl', 'man', 'woman', 'crocodile', 'dinosaur', 'lizard', 'snake', 'turtle', 'hamster', 'mouse', 'rabbit', 'shrew', 'squirrel', 'maple', 'oak', 'palm', 'pine', 'willow', 'bicycle', 'bus', 'motorcycle', 'pickup truck', 'train', 'lawn-mower', 'rocket', 'streetcar', 'tank', 'tractor')

# 显示图片
def imshow(img):
    img = img / 2 + 0.5     # 反归一化
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

# 随机获取一张图片
dataiter = iter(trainset)
images, labels = dataiter.next()
image = images[0]
label = labels[0]

# 显示图片和标签
imshow(image)
print(classes[label])

在上面的示例代码中，我们首先定义了一个数据转换transform，用于将数据转换为PyTorch Tensor，并进行归一化。然后，我们使用datasets.CIFAR100方法加载Cifar-100数据集，并指定数据转换。接着，我们定义了标签名称classes。然后，我们定义了一个imshow函数，用于显示图片。接着，我们使用iter方法获取一个迭代器dataiter，并使用next方法获取一个数据和标签。最后，我们使用imshow函数显示图片，并使用print函数输出标签名称。

需要注意的是，我们需要对数据进行反归一化，才能正确显示图片。此外，Cifar-100数据集的标签名称与Cifar-10数据集不同。