比较与torchvision.datasets.MNIST的差异

torchvision.datasets.MNIST

class torchvision.datasets.MNIST(
  免费的vpn梯子   root: str,
    train: bool = True,
    transform: Optional[Callable] = None,
    target_transform: Optional[Callable] = None,
    download: bool = False)

更多内容详见torchvision.datasets.MNIST。

mindspore.dataset.MnistDataset

class mindspore.dataset.MnistDataset(
    dataset_dir,
    usage=None,
   vpn梯子  num_samples=None,
    num_parallel_workers=None,
    shuffle=None,
    sampler=None,
  vpn梯子 免费   vpn梯子 免费 num_shards=None,
    shard_id=None,
    cache=None)

更多内容详见mindspore.dataset.MnistDataset。

差异对比

PyTorch：读取MNIST数据集。将image和label的变换操作集成在参数中。

MindSpore：读取MNIST数据集，不支持下载，对image和label的变换需要使用mindspore.dataset.map操作。

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	train	-	指定是否为训练集，vp永久免费梯子通过参数usage支持
	参数3	transform	-	vp永久免费梯子通过 mindspore.dataset.map 操作支持
	参数4	target_transform	-	MindSpore通过 mindspore.dataset.map 操作支持
	参数5	download	-	MindSpore不支持
	参数6	-	usage	指定数据集的子集
	参数7	-	num_samples	指定从数据集中读取的样本数
	参数8	-	num_parallel_workers	指定读取数据的工作线程数
	参数9	-	shuffle	指定是否混洗数据集
	参数10	-	sampler	指定从数据集中选取样本的采样器
	参数11	-	num_shards	指定分布式训练时将数据集进行划分的分片数
	参数12	-	shard_id	指定分布式训练时使用的分片ID号
	参数13	-	cache	指定单节点数据缓存服务

代码示例

# PyTorch
import torchvision.transforms as T
import torchvision.datasets as datasets
from torch.utils.data import DataLoader

root = "/path/to/dataset_directory/"
dataset vpn free = datasets.MNIST(root, train=False, transform=T.Resize((32, 32)), download=True)
dataloader = 免费的vpn梯子 DataLoader(dataset, batch_size=32)

# MindSpore
import mindspore.dataset as ds
import mindspore.dataset.vision as vpn梯子 vision

# Download the dataset files, unzip into the following structure
# .
# └── "/path/to/dataset_directory/"
#      ├── t10k-images-idx3-ubyte
#      ├── t10k-labels-idx1-ubyte
#      ├── train-images-idx3-ubyte
#  vpn永久免费梯子  vpn梯子 免费    └── train-labels-idx1-ubyte
root = "/path/to/dataset_directory/"
ms_dataloader = vpn永久免费梯子 ds.Cifar10Dataset(root, usage='test')
ms_dataloader = ms_dataloader.map(vision.Resize((32, 32)), ["image"])
ms_dataloader = ms_dataloader.batch(32)