知识点回顾：
- Dataset类的__getitem__和__len__方法（本质是python的特殊方法）
- Dataloader类
- minist手写数据集的了解
作业：了解下cifar数据集，尝试获取其中一张图片
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader , Dataset # DataLoader 是 PyTorch 中用于加载数据的工具
from torchvision import datasets, transforms # torchvision 是一个用于计算机视觉的库，datasets 和 transforms 是其中的模块
import matplotlib.pyplot as plt
import numpy as np
# 设置随机种子，确保结果可复现
torch.manual_seed(42)
# 1. 数据预处理，该写法非常类似于管道pipeline
# transforms 模块提供了一系列常用的图像预处理操作
# 先归一化，再标准化
transform = transforms.Compose([
transforms.ToTensor(), # 转换为张量并归一化到[0,1]
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)) # CIFAR-10数据集的均值和标准差（R/G/B通道）
])
# 2. 加载CIFAR-10数据集，如果没有会自动下载（CIFAR-10是32x32彩色图像，共10类）
train_dataset = datasets.CIFAR10( # 替换为CIFAR10数据集类
root='./data', # 数据存储目录（与原MNIST路径一致，会自动新建CIFAR10子目录）
train=True, # True加载训练集（50000张），False加载测试集（10000张）
download=True, # 本地无数据时自动下载（约163MB，首次运行需等待）
transform=transform # 沿用原预处理管道（注意：CIFAR-10是3通道，建议后续调整Normalize的均值和标准差）
)
test_dataset = datasets.CIFAR10( # 替换为CIFAR10数据集类
root='./data', # 与训练集共用存储目录
train=False, # 加载测试集用于模型评估
transform=transform # 保持与训练集相同的预处理
# download=True # 若训练集已下载，测试集可省略（或保留以确保完整性）
)
import matplotlib.pyplot as plt
# 随机选择一张图片，可以重复运行，每次都会随机选择
sample_idx = torch.randint(0, len(train_dataset), size=(1,)).item() # 随机选择一张图片的索引
# len(train_dataset) 表示训练集的图片数量；size=(1,)表示返回一个索引；torch.randint() 函数用于生成一个指定范围内的随机数,item() 方法将张量转换为 Python 数字
image, label = train_dataset[sample_idx] # 获取图片和标签
# CIFAR-10数据集的简化版本（32x32彩色图像，10类）
class CIFAR10(Dataset):
def __init__(self, root, train=True, transform=None):
# 初始化：加载图片路径和标签
self.data, self.targets = fetch_cifar10_data(root, train) # 假设fetch_cifar10_data用于加载CIFAR-10数据
self.transform = transform # 预处理操作
def __len__(self):
return len(self.data) # 返回样本总数
def __getitem__(self, idx): # 获取指定索引的样本
# 获取指定索引的图像和标签
img, target = self.data[idx], self.targets[idx]
# 应用图像预处理（如ToTensor、Normalize）
if self.transform is not None: # 如果有预处理操作
img = self.transform(img) # 转换图像格式
# 这里假设 img 是一个 PIL 图像对象，transform 会将其转换为张量并进行归一化
return img, target # 返回处理后的图像和标签
# 可视化原始图像（需要反归一化，适配CIFAR-10的3通道彩色图像）
def imshow(img):
# 使用CIFAR-10的标准差和均值进行反标准化（顺序对应R/G/B通道）
img = img * torch.tensor([0.2023, 0.1994, 0.2010]).view(3, 1, 1) + torch.tensor([0.4914, 0.4822, 0.4465]).view(3, 1, 1)
npimg = img.numpy()
#调整维度顺序（PyTorch张量是[C,H,W]，plt需要[H,W,C]）并移除灰度映射
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
print(f"Label: {label}")
imshow(image)