注意
點選此處下載完整示例程式碼
學習基礎知識 || 快速入門 || 張量 || 資料集與資料載入器 || 變換 || 構建模型 || Autograd || 最佳化 || 儲存與載入模型
變換¶
建立日期：2021 年 2 月 9 日 | 最後更新：2021 年 8 月 11 日 | 最後驗證：未驗證
資料並不總是以機器學習演算法訓練所需的最終處理形式出現。我們使用 變換（transforms） 對資料進行一些處理，使其適合訓練。
所有 TorchVision 資料集都有兩個引數 -transform 用於修改特徵，target_transform 用於修改標籤 - 它們接受包含變換邏輯的可呼叫物件。 torchvision.transforms 模組提供了幾個常用的現成變換。
FashionMNIST 特徵採用 PIL Image 格式，標籤是整數。為了訓練，我們需要將特徵轉換為歸一化張量，將標籤轉換為獨熱編碼張量。為了實現這些變換，我們使用 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<01:12, 364kB/s]
1%| | 229k/26.4M [00:00<00:38, 685kB/s]
4%|3 | 950k/26.4M [00:00<00:11, 2.20MB/s]
15%|#4 | 3.83M/26.4M [00:00<00:02, 7.64MB/s]
38%|###7 | 10.0M/26.4M [00:00<00:00, 17.3MB/s]
61%|######1 | 16.1M/26.4M [00:01<00:00, 22.9MB/s]
83%|########2 | 21.9M/26.4M [00:01<00:00, 30.3MB/s]
96%|#########5| 25.4M/26.4M [00:01<00:00, 26.8MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.5MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 326kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|1 | 65.5k/4.42M [00:00<00:11, 363kB/s]
5%|5 | 229k/4.42M [00:00<00:06, 684kB/s]
19%|#9 | 852k/4.42M [00:00<00:01, 2.37MB/s]
44%|####3 | 1.93M/4.42M [00:00<00:00, 4.17MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.11MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 65.0MB/s]
Lambda 變換¶
Lambda 變換應用任何使用者定義的 lambda 函式。在這裡，我們定義了一個函式將整數轉換為獨熱編碼張量。它首先建立一個大小為 10 的零張量（資料集中標籤的數量），然後呼叫 scatter_ 函式，根據標籤 y 給定的索引位置賦值 value=1。
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
