学习笔记——pytorch1.9.0官方文档快速入门（三）

参考

官方文档——Transforms转换

运行环境：google colab

笔记链接

• 学习笔记——pytorch1.9.0官方文档快速入门（一）
• 学习笔记——pytorch1.9.0官方文档快速入门（二）
• 学习笔记——pytorch1.9.0官方文档快速入门（三）
• 学习笔记——pytorch1.9.0官方文档快速入门（四）
• 学习笔记——pytorch1.9.0官方文档快速入门（五）
• 学习笔记——pytorch1.9.0官方文档快速入门（六）
• 学习笔记——pytorch1.9.0官方文档快速入门（七）

transforms介绍

  数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用transforms来对数据进行一些操作并使其适合训练。所用TorchVision数据集都用两个参数——transform用于修改特征，target_transform用于修改标签。它们接受包含转换逻辑的可调用对象。torchvision.transforms模块提供了几种开箱即用的转换。
  FashionMNIST 特征采用 PIL Image 格式，标签为整数。对于训练，我们需要将特征作为归一化张量，将标签作为one-hot编码张量。为了进行这些转换，我们使用 ToTensor 和 Lambda。

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

ds = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)

ToTensor()

  ToTensor将PIL图像或Numpy ndarrray转换为FloatTensor。并在[0.,1.]范围内缩放图像的像素值。

Lambda Transforms

  我们定义了一个函数将整数转换为one-hot编码。它首先根据数据集包含的10种标签（FashionMNIST中数据有10个类），创建一个长度为10的零张量，然后调用scatter_，它在标签y给定的索引上分配一个value=1。

target_transform = Lambda(lambda y: torch.zeros(
    10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))