# DAY 38 Dataset 和 Dataloader 类知识点回顾:
1. Dataset 类的__getitem__和__len__方法（本质是 python 的特殊方法）
2. Dataloader 类
3. minist 手写数据集的了解
作业：了解下 cifar 数据集，尝试获取其中一张图片
# 1. 导入必要库 import torch from torchvision import datasets, transforms import matplotlib.pyplot as plt import numpy as np # 2. 固定随机种子（可选，保证结果一致） torch.manual_seed(42) # 3. 定义数据预处理（CIFAR-10专用均值/标准差） # 说明：CIFAR-10的全局均值和标准差是行业公认值，标准化用 transform = transforms.Compose([ transforms.ToTensor(), # 转Tensor：把0-255的PIL图片→0-1的Tensor，维度[C, H, W]（3,32,32） transforms.Normalize( mean=[0.4914, 0.4822, 0.4465], # R/G/B三通道均值 std=[0.2470, 0.2435, 0.2616] # R/G/B三通道标准差 ) ]) # 4. 加载CIFAR-10数据集（自动下载） # 训练集 train_dataset = datasets.CIFAR10( root='./data', # 数据集保存路径 train=True, # 加载训练集（False则加载测试集） download=True, # 本地没有则自动下载 transform=transform # 应用预处理 ) # 5. 关键：提取单张图片并可视化 # 5.1 取数据集第0个样本（特征Tensor + 标签） img_tensor, label_idx = train_dataset[0] # img_tensor.shape = [3,32,32]，label_idx是0-9的整数 print(f"图片Tensor形状：{img_tensor.shape}") # 输出：torch.Size([3, 32, 32]) print(f"图片标签索引：{label_idx}") # 输出：6（对应类别“青蛙”） # 5.2 定义CIFAR-10类别名称（对应索引0-9） cifar10_classes = [ '飞机', '汽车', '鸟', '猫', '鹿', '狗', '青蛙', '马', '船', '卡车' ] print(f"图片对应类别：{cifar10_classes[label_idx]}") # 输出：青蛙 # 5.3 预处理还原（因为Normalize后数值不在0-1，需要反归一化才能正常显示） # 反归一化公式：img = (img_tensor * std) + mean mean = np.array([0.4914, 0.4822, 0.4465]) std = np.array([0.2470, 0.2435, 0.2616]) # Tensor→numpy，维度从[C,H,W]→[H,W,C]（matplotlib需要这个顺序） img_np = img_tensor.numpy().transpose((1, 2, 0)) img_np = img_np * std + mean # 反归一化 img_np = np.clip(img_np, 0, 1) # 确保数值在0-1之间（避免归一化后溢出） # 5.4 可视化图片 plt.figure(figsize=(4, 4)) # 设置图片大小 plt.imshow(img_np) # 显示图片 plt.title(f"Label: {cifar10_classes[label_idx]} (索引{label_idx})") plt.axis('off') # 隐藏坐标轴 plt.show()图像数据与显存知识点回顾
1. 图像数据的格式：灰度和彩色数据
2. 模型的定义
3. 显存占用的 4 种地方：
- 模型参数 + 梯度参数
- 优化器参数
- 数据批量所占显存
- 神经元输出中间状态
4. batchsize 和训练的关系
@浙大疏锦行
