首先了解一下需要的几个类所在的package

from torchvision import transforms, datasets as dsfrom torch.utils.data import DataLoaderimport matplotlib.pyplot as pltimport 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 = 0for 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。

以上这篇PyTorch读取Cifar数据集并显示图片的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。