一、前置知识

如何查看torchvision的数据集

（1）打开官网 https://pytorch.org/

pytorch官网

（2）打开torchvision

在Docs下拉后选择torchvision

（3）左侧点击Datasets

本次用的数据集是CIFAR10：

可以看到，要输入的参数有：

root（字符串）：数据集的根目录，其中存在 cifar-10-batches-py 目录，如果设置 download 为 True，则数据集将保存在此目录中。

train（bool，可选）：如果为 True，则从训练集创建数据集，否则从测试集创建数据集。

transform（callable，可选）：接受 PIL 图像并返回转换后版本的函数/转换。例如，transforms.RandomCrop。

target_transform（callable，可选）：接受目标并对其进行转换的函数/转换。

download（bool，可选）：如果为 True，则从互联网下载数据集并将其放在根目录中。如果数据集已经下载，则不会重新下载。

二、代码（附注释）及运行结果

import torchvision
from torch.utils.tensorboard import SummaryWriter

# 定义导入数据时进行的变换
data_transform = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])

# 创建训练集和测试集
train_set = torchvision.datasets.CIFAR10("./dataset1", train=True, transform=data_transform, download=True)
test_set = torchvision.datasets.CIFAR10("./dataset1", train=False, transform=data_transform, download=True)

# 打印test_set第一个数据
# 结果为：(<PIL.Image.Image image mode=RGB size=32x32 at 0x10C7177C190>, 3)
print(test_set[0])
# 打印test_set数据的类别
# 结果为：['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
print(test_set.classes)

# 将test_set的第一个数据拆分为img和target
img, target = test_set[0]
# 打印test_set第一个数据的img
# 结果为<PIL.Image.Image image mode=RGB size=32x32 at 0x10C7177C190>
print(img)
# 打印test_set第一个数据的target，结果为3
print(target)
# 打印test_set第target个类别
print(test_set.classes[target])

# 创建一个 TensorBoard 的 SummaryWriter 对象，用于记录测试集中的图像
writer = SummaryWriter("logs")
for i in range(10):
    img, target = test_set[i]
    writer.add_image("test_set", img, i)

运行结果：