首先了解一下需要的幾個類所在的package

from torchvision import transforms, datasets as dsfrom torch.utils.data import DataLoaderimport matplotlib.pyplot as pltimport numpy as np#transform = transforms.Compose是把一系列圖片操作組合起來，比如減去像素均值等。#DataLoader讀入的數據類型是PIL.Image#這里對圖片不做任何處理，僅僅是把PIL.Image轉換為torch.FloatTensor，從而可以被pytorch計算transform = transforms.Compose( [ transforms.ToTensor() ])

Step 1，得到torch.utils.data.Dataset實例。

torch.utils.data.Dataset是一個抽象類，CIFAR100是它的一個實例化子類

train=True，讀取訓練集；train=False，讀取測試集

download=False，不下載。如果為True，則先檢查root下有無該數據集，如果沒有就先下載。

train_set = ds.CIFAR100(root='.', train=True, transform=transform, target_transform=None, download=True)

Step 2，把Dataset封裝成torch.utils.data.DataLoader

data_loader = DataLoader(dataset=train_set,  batch_size=1,  shuffle=False,  num_workers=2)# # 生成torch.utils.data.DataLoaderIter# # 不過DataLoaderIter它會被DataLoader自動創建并且調用，我們用不到# data_iter = iter(data_loader)# images, labels = next(data_iter)

step 3，從DataLoader里讀取數據，并將圖片顯示出來。

注意：

1）使用for...in...循環讀取數據的時候，會自動調用DataLoader里的__next__()函數

而且只能對Tensor實例進行迭代，所以之前的transforms必須最后加一個transforms.ToTensor()

2）顯示圖片有兩種方式：Image.show()和plt.imshow(ndarray)

Image.show():

通過transforms.ToPILImage()把FloatTensor轉化為Image

plt.imshow(ndarray)：

通過FloatTensor.numpy()轉化為ndarray，再調用plt.imshow()

to_pil_image = transforms.ToPILImage()cnt = 0for image,label in data_loader: if cnt>=3: # 只顯示3張圖片 break print(label) # 顯示label # 方法1：Image.show() # transforms.ToPILImage()中有一句 # npimg = np.transpose(pic.numpy(), (1, 2, 0)) # 因此pic只能是3-D Tensor，所以要用image[0]消去batch那一維 img = to_pil_image(image[0]) img.show() # 方法2：plt.imshow(ndarray) img = image[0] # plt.imshow()只能接受3-D Tensor，所以也要用image[0]消去batch那一維 img = img.numpy() # FloatTensor轉為ndarray img = np.transpose(img, (1,2,0)) # 把channel那一維放到最后 # 顯示圖片 plt.imshow(img) plt.show() cnt += 1

另外補一句np.transpose()的用法。

第一個參數是要transpose的圖片；

第二個是shape。比如一個ndarray是(channel, height, width)，如果給第二個參數(height, width，channel)，就會把第0維channel整個搬到最后。