import torch import torchvision.datasets as dsets import torchvision.transforms as transforms import os import sys path = os.path.split(os.path.abspath(os.path.realpath(sys.argv[0])))[0] + os.path.sep path = path[:-10] + '/data/' #/********** Begin *********/ # ********** End ********** #

### 加载和处理 MNIST 数据集并创建 DataLoader 变量 以下是关于如何在 PyTorch 中加载和处理 MNIST 数据集的具体说明，包括创建 `DataLoader` 对象以及输出数据维度大小和类别的方法。 --- #### 1. 导入必要库 首先需要导入用于数据加载和处理的相关模块。 ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader ``` --- #### 2. 定义数据转换操作 为了将图像数据转换为适合神经网络输入的形式，并对其进行标准化处理，可以定义一个组合的变换函数。 ```python transform = transforms.Compose([ transforms.ToTensor(), # 将图像转换为 Tensor，并缩放到 [0, 1] 范围 transforms.Normalize((0.5,), (0.5,)) # 进一步归一化到 [-1, 1] 范围 ]) ``` 此处使用的 `transforms.Normalize` 是针对单通道灰度图像设计的，均值 `(0.5,)` 和标准差 `(0.5,)` 的设置是为了使像素值分布更加集中于零附近[^1]。 --- #### 3. 下载和加载 MNIST 数据集 利用 `torchvision.datasets.MNIST` 类来下载和加载 MNIST 数据集。如果本地不存在该数据集，则会自动从官方源下载；否则直接使用已有的缓存文件。 ```python # 训练集 train_dataset = datasets.MNIST( root='./data', # 存储路径 train=True, # 是否为训练集 transform=transform, # 应用的数据转换 download=True # 自动下载开关 ) # 测试集 test_dataset = datasets.MNIST( root='./data', train=False, transform=transform, download=True ) ``` --- #### 4. 创建 DataLoader 对象 通过 `DataLoader` 封装数据集实例，从而实现批量加载、随机打乱等功能。 ```python train_loader = DataLoader( dataset=train_dataset, # 输入数据集 batch_size=64, # 每批次样本数量 shuffle=True, # 是否在每轮 epoch 开始前重新排列数据顺序 num_workers=2 # 后台线程数（加速数据读取） ) test_loader = DataLoader( dataset=test_dataset, batch_size=1000, shuffle=False ) ``` 在此处设置了两个主要参数：`batch_size` 控制每次传递给模型的样本数目，而 `shuffle` 则决定是否对数据进行随机重排以打破可能存在的序列依赖关系[^2]。 --- #### 5. 输出特定数据的维度大小和类别 遍历 `DataLoader` 获取第一批数据，并打印其形状及对应的标签信息。 ```python for images, labels in train_loader: print(f"Images shape: {images.shape}") # 图像张量尺寸 print(f"Labels: {labels[:10]}") # 前十个标签作为示例显示 break # 仅查看首个批次的内容 ``` 假设当前批次大小为 64，则预期输出如下所示： ``` Images shape: torch.Size([64, 1, 28, 28]) # 表明有 64 张图片，每张大小为 28x28 单通道灰度图 Labels: tensor([7, 9, 3, ..., 2, 5, 1]) # 展现部分真实数字标签 ``` 以上即完成了整个流程——从数据准备到最后验证阶段的关键步骤概述[^1]。 --- ###