wordpress网站背景/推广赚钱平台有哪些
1. 引言
在本项目中，我们使用 PyTorch 框架加载、处理并可视化了经典的 Fashion-MNIST 图像分类数据集。
本文涵盖了完整的代码、详细注释以及执行后的输出结果，非常适合初学者参考与学习。
2. 环境准备
首先导入必要的库，并设置图片显示为 SVG 格式以提高显示质量。
%matplotlib inline
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2ld2l.use_svg_display() # 使用SVG格式显示图像
3. 数据集下载与预处理
使用 torchvision.datasets.FashionMNIST 下载数据，并使用 ToTensor 将图片数据从PIL格式转换为 float32 类型，同时将像素值归一化到0-1之间。
# 实例化ToTensor()
trans = transforms.ToTensor()# 下载训练集和测试集
train_data = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)
test_data = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)# 查看数据集大小
len(train_data), len(test_data)
输出结果：
(60000, 10000)
训练集有6万张图片，测试集有1万张图片。
4. 查看单个样本的尺寸
检查训练集中第一张图片的尺寸信息。
train_data[0][0].shape # 训练数据第一个样本的维度 (通道数, 宽度, 高度)
输出结果：
torch.Size([1, 28, 28])
可以看到，每张图片是1通道（灰度图），28×28像素。
5. 可视化图像及标签
接下来定义辅助函数：将标签ID转为文字标签，并绘制多张图片。
# 将标签ID映射为文字标签
def get_fashion_mnist_labels(labels):text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat', 'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']return [text_labels[int(i)] for i in labels]# 显示图像函数
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):figsize = (num_cols * scale, num_rows * scale)fig, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)axes = axes.flatten()for i, (ax, img) in enumerate(zip(axes, imgs)):if torch.is_tensor(img):ax.imshow(img.numpy())else:ax.imshow(img)ax.axes.get_xaxis().set_visible(False)ax.axes.get_yaxis().set_visible(False)if titles:ax.set_title(titles[i])return axes
从训练集中随机抽取18张图片进行展示：
x, y = next(iter(data.DataLoader(train_data, batch_size=18)))
show_images(x.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y))
效果（示意）：
6. 数据迭代性能测试
测试使用DataLoader读取整个训练集需要的时间：
# 创建数据迭代器
train_iter = data.DataLoader(train_data, 256, shuffle=True, num_workers=0, drop_last=False)timer = d2l.Timer() # 创建计时器
for x, y in train_iter:continue
timer.stop()
输出结果：
4.05924654006958
即：加载完整训练集约需要4秒左右（硬件环境不同时间会略有波动）。
7. 封装数据加载函数
为了方便后续调用，将上面的步骤封装成一个函数 load_data_fashion_mnist：
def load_data_fashion_mnist(batch_size, resize=None):# 下载Fashion-MNIST数据集，并将其加载到内存中trans = [transforms.ToTensor()] # 将图像转换为张量if resize:trans.insert(0, transforms.Resize(resize)) # 若指定，先调整图像大小trans = transforms.Compose(trans) # 多个变换组合train_data = torchvision.datasets.FashionMNIST(root="./data", train=True, transform=trans, download=True)test_data = torchvision.datasets.FashionMNIST(root="./data", train=False, transform=trans, download=True)return (data.DataLoader(train_data, batch_size, shuffle=True, num_workers=0, drop_last=False),data.DataLoader(test_data, batch_size, shuffle=False, num_workers=0, drop_last=False))
8. 总结
本文从最基础的环境配置、数据下载与处理、可视化展示，到性能测试与函数封装，完整梳理了Fashion-MNIST数据集在PyTorch中的处理流程。
下一步，我们可以基于此数据集继续训练深度学习模型，如MLP、多层卷积神经网络（CNN）等。