-
Dataset 类
__getitem__：实现索引访问（dataset[idx]），用于获取单条数据样本（如图片 + 标签）。__len__：返回数据集的总样本数量，支持len(dataset)。- 本质是 Python 的魔法方法，让自定义数据集能像 Python 容器一样被遍历和索引。
-
DataLoader 类
- 对 Dataset 进行批量加载，支持打乱数据 、多进程读取 、自动批处理等功能。
- 核心参数：
batch_size（批次大小）、shuffle（是否打乱）、num_workers（加载进程数）。 - 作用：高效地为模型训练提供迭代式批量数据。
-
MNIST 手写数据集
- 经典手写数字图像数据集，包含 0-9 共 10 个类别。
- 训练集 60000 张，测试集 10000 张，单张图片为 28×28 灰度图。
- 常用于入门图像分类任务。
🎯 作业：CIFAR 数据集与单张图片获取
1. CIFAR 数据集简介
- CIFAR-10：包含 10 个类别（飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船、卡车），训练集 50000 张，测试集 10000 张，单张图片为 32×32 彩色图。
- CIFAR-100：包含 100 个细分类别，结构与 CIFAR-10 类似，类别更多、难度更大。
2. 代码示例：获取并展示 CIFAR-10 中的一张图片
python
import torch
import torchvision.datasets as datasets
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
# 1. 定义数据预处理
transform = transforms.Compose([
transforms.ToTensor(), # 转为 Tensor
])
# 2. 加载 CIFAR-10 训练集
train_dataset = datasets.CIFAR10(
root="./data", train=True, download=True, transform=transform
)
# 3. 获取第 0 张图片与标签
img, label = train_dataset[0]
# 4. 类别名称映射
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
# 5. 展示图片
plt.imshow(img.permute(1, 2, 0)) # 将 (C, H, W) 转为 (H, W, C) 以适配 matplotlib
plt.title(f"Label: {classes[label]}")
plt.axis("off")
plt.show()💡 补充说明
permute(1, 2, 0)：将 Tensor 的通道维度从 (C, H, W) 调整为 (H, W, C)，符合 matplotlib 对图像的输入要求。- 若使用 CIFAR-100，只需将
datasets.CIFAR10替换为datasets.CIFAR100，并更新类别名称映射即可。