注意
点击此处下载完整的示例代码
学习基础知识 || 快速入门 || 张量 || 数据集 & 数据加载器 || Transforms || 构建模型 || Autograd || 优化 || 保存 & 加载模型
Transforms¶
创建于：2021 年 2 月 9 日 | 最后更新：2021 年 8 月 11 日 | 最后验证：未验证
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 对数据进行一些操作，使其适合训练。
所有 TorchVision 数据集都有两个参数 -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 模块提供了几个常用的开箱即用的 transforms。
FashionMNIST 特征采用 PIL 图像格式，标签是整数。对于训练，我们需要将特征作为归一化张量，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))
)
0%| | 0.00/26.4M [00:00<?, ?B/s]
0%| | 65.5k/26.4M [00:00<01:13, 360kB/s]
1%| | 229k/26.4M [00:00<00:38, 677kB/s]
3%|3 | 918k/26.4M [00:00<00:09, 2.60MB/s]
7%|7 | 1.93M/26.4M [00:00<00:06, 4.05MB/s]
13%|#3 | 3.54M/26.4M [00:00<00:03, 7.13MB/s]
32%|###2 | 8.55M/26.4M [00:00<00:00, 18.4MB/s]
44%|####3 | 11.5M/26.4M [00:01<00:00, 18.9MB/s]
54%|#####3 | 14.2M/26.4M [00:01<00:00, 20.5MB/s]
71%|####### | 18.7M/26.4M [00:01<00:00, 26.6MB/s]
83%|########2 | 21.9M/26.4M [00:01<00:00, 24.3MB/s]
93%|#########2| 24.5M/26.4M [00:01<00:00, 24.5MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 17.8MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 325kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|1 | 65.5k/4.42M [00:00<00:12, 357kB/s]
5%|5 | 229k/4.42M [00:00<00:06, 671kB/s]
21%|## | 918k/4.42M [00:00<00:01, 2.53MB/s]
44%|####3 | 1.93M/4.42M [00:00<00:00, 4.03MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 5.99MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 36.9MB/s]
Lambda Transforms¶
Lambda transforms 应用任何用户定义的 lambda 函数。在这里，我们定义一个函数将整数转换为 one-hot 编码张量。它首先创建一个大小为 10 的零张量（我们数据集中的标签数量），并调用 scatter_，它在由标签 y 给出的索引上分配 value=1。
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
