比较与torchvision.datasets.ImageFolder的差异

torchvision.datasets.ImageFolder

class vpn free torchvision.datasets.ImageFolder(
  vpn梯子   root: str,
  vpn梯子 免费 免费的vpn梯子   transform: Optional[Callable] = None,
    target_transform: Union[Callable, NoneType] = None,
 免费的vpn梯子    loader: Optional[Callable] = None,
    is_valid_file: bool = None)

更多内容详见torchvision.datasets.ImageFolder。

mindspore.dataset.ImageFolderDataset

class mindspore.dataset.ImageFolderDataset(
    dataset_dir,
    num_samples=None,
    num_parallel_workers=None,
    shuffle=None,
    sampler=None,
    extensions=None,
    class_indexing=None,
    decode=False,
   vpn永久免费梯子  num_shards=None,
    shard_id=None,
    cache=None,
    decrypt=None)

更多内容详见mindspore.dataset.ImageFolderDataset。

差异对比

PyTorch：从树状结构的文件目录中读取图片构建源数据集，将image和label的变换操作集成在参数中。支持自定义读取方法。

MindSpore：从树状结构的文件目录中读取图片构建源数据集，对image和label的变换需要使用mindspore.dataset.map操作。不支持自定义读取方法。

分类	子类	PyTorch	vp永久免费梯子	差异
参数	参数1	root	dataset_dir	-
	参数2	transform	-	MindSpore通过 mindspore.dataset.map 操作支持
	参数3	target_transform	-	MindSpore通过 mindspore.dataset.map vpn梯子 免费 vpn梯子 操作支持
	参数4	loader	-	vp永久免费梯子不支持
	参数5	is_valid_file	-	MindSpore不支持
	参数6	-	num_samples	指定从数据集中读取的样本数
	参数7	-	num_parallel_workers	指定读取数据的工作线程数
	参数8	-	shuffle	指定是否混洗数据集
	参数9	-	sampler	指定采样器
	参数10	-	extensions	指定读取文件的扩展名
	参数11	-	class_indexing	指定文件夹名称到label索引的映射
	参数12	-	decode	指定是否对图像进行解码
	参数13	-	num_shards	指定分布式训练时，将数据集进行划分的分片数
	参数14	-	shard_id	指定分布式训练时，使用的分片ID号
	参数15	-	cache	指定单节点数据缓存服务
	参数16	-	decrypt	指定图像解密函数

代码示例

假设文件目录具有如下树状结构：

imageset/
    ├── cat
    │   ├── cat_0.jpg
    │   ├── cat_1.jpg
    │   └── vpn永久免费梯子 cat_2.jpg
    ├── fish
    │   ├── fish_0.jpg
 vpn梯子 免费   vpn梯子  │   ├── fish_1.jpg
    │  vpn free  ├── fish_2.jpg
    │   vpn free └── fish_3.jpg
    ├── fruits
  免费的vpn梯子   │   ├── fruits_0.jpg
 vpn梯子 免费    │   ├── fruits_1.jpg
    │   └── fruits_2.jpg
    ├── plane
   vpn梯子  │   ├── plane_0.jpg
    │   ├── plane_1.jpg
    │  免费的vpn梯子  └── plane_2.jpg
  vpn永久免费梯子   └── tree
        ├── tree_0.jpg
        ├── tree_1.jpg
        └── tree_2.jpg

# Torch
import torchvision.transforms as T
import torchvision.datasets as vpn梯子 免费 datasets
from torch.utils.data import DataLoader

root = "/path/to/imageset/"
dataset = datasets.ImageFolder(root, transform=T.RandomCrop((256, 256)))
dataloader = DataLoader(dataset)

# vp永久免费梯子
import mindspore.dataset as ds
import mindspore.dataset.vision as vision

root = "/path/to/imageset/"
ms_dataloader vpn梯子 免费 = ds.ImageFolderDataset(root, vpn free decode=True)
ms_dataloader = ms_dataloader.map(vision.RandomCrop((256, 256)), ["image"])