PyTorch - Ensembles de données

Dans ce chapitre, nous nous concentrerons davantage sur torchvision.datasetset ses différents types. PyTorch comprend les chargeurs de jeux de données suivants -

  • MNIST
  • COCO (sous-titrage et détection)

L'ensemble de données comprend la majorité des deux types de fonctions donnés ci-dessous -

  • Transform- une fonction qui prend dans une image et renvoie une version modifiée de trucs standard. Ceux-ci peuvent être composés avec des transformations.

  • Target_transform- une fonction qui prend la cible et la transforme. Par exemple, prend la chaîne de légende et renvoie un tenseur d'indices mondiaux.

MNIST

Voici l'exemple de code pour l'ensemble de données MNIST -

dset.MNIST(root, train = TRUE, transform = NONE, 
target_transform = None, download = FALSE)

Les paramètres sont les suivants -

  • root - répertoire racine de l'ensemble de données où existent des données traitées.

  • train - Vrai = ensemble d'entraînement, Faux = ensemble de test

  • download - True = télécharge l'ensemble de données d'Internet et le place à la racine.

COCO

Cela nécessite l'installation de l'API COCO. L'exemple suivant est utilisé pour démontrer l'implémentation COCO d'un ensemble de données à l'aide de PyTorch -

import torchvision.dataset as dset
import torchvision.transforms as transforms
cap = dset.CocoCaptions(root = ‘ dir where images are’, 
annFile = ’json annotation file’,
transform = transforms.ToTensor())
print(‘Number of samples: ‘, len(cap))
print(target)

Le résultat obtenu est le suivant -

Number of samples: 82783
Image Size: (3L, 427L, 640L)