PyTorch读取Cifar数据集并显示图片

首先了解一下需要的几个类所在的package

from torchvision import transforms, datasets as ds
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import numpy as np

#transform = transforms.Compose是把一系列图片操作组合起来，比如减去像素均值等。
#DataLoader读入的数据类型是PIL.Image
#这里对图片不做任何处理，仅仅是把PIL.Image转换为torch.FloatTensor，从而可以被pytorch计算
transform = transforms.Compose(
    [
        transforms.ToTensor()
    ]
)

Step 1，得到torch.utils.data.Dataset实例。

• torch.utils.data.Dataset是一个抽象类，CIFAR100是它的一个实例化子类
• train=True，读取训练集；train=False，读取测试集
• download=False，不下载。如果为True，则先检查root下有无该数据集，如果没有就先下载。

train_set = ds.CIFAR100(root='.', train=True, transform=transform, target_transform=None, download=True)

Step 2，把Dataset封装成torch.utils.data.DataLoader

data_loader = DataLoader(dataset=train_set,
                         batch_size=1,
                         shuffle=False,
                         num_workers=2)


# # 生成torch.utils.data.DataLoaderIter
# # 不过DataLoaderIter它会被DataLoader自动创建并且调用，我们用不到
# data_iter = iter(data_loader)
# images, labels = next(data_iter)

step 3，从DataLoader里读取数据，并将图片显示出来。

注意：
1）使用for...in...循环读取数据的时候，会自动调用DataLoader里的__next__()函数
而且只能对Tensor实例进行迭代，所以之前的transforms必须最后加一个transforms.ToTensor()
2）显示图片有两种方式：Image.show()和plt.imshow(ndarray)
Image.show():
通过transforms.ToPILImage()把FloatTensor转化为Image
plt.imshow(ndarray)：
通过FloatTensor.numpy()转化为ndarray，再调用plt.imshow()

to_pil_image = transforms.ToPILImage()
cnt = 0
for image,label in data_loader:
if cnt>=3:      # 只显示3张图片
break
    print(label)    # 显示label

# 方法1：Image.show()
# transforms.ToPILImage()中有一句
# npimg = np.transpose(pic.numpy(), (1, 2, 0))
# 因此pic只能是3-D Tensor，所以要用image[0]消去batch那一维
    img = to_pil_image(image[0])
    img.show()

# 方法2：plt.imshow(ndarray)
    img = image[0]      # plt.imshow()只能接受3-D Tensor，所以也要用image[0]消去batch那一维
    img = img.numpy()   # FloatTensor转为ndarray
    img = np.transpose(img, (1,2,0))    # 把channel那一维放到最后

# 显示图片
    plt.imshow(img)
    plt.show()

    cnt += 1

---

另外补一句np.transpose()的用法。
第一个参数是要transpose的图片；
第二个是shape。比如一个ndarray是(channel, height, width)，如果给第二个参数(height, width，channel)，就会把第0维channel整个搬到最后。