image_datasets
是一个包含训练和测试数据的字典。
以下代码:
transforms= transforms.Compose([transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
image_datasets = {'train': datasets.CIFAR10(root=data_dir, train=True, download=True,
transform=transforms),
'test': datasets.CIFAR10(root=data_dir, train=False, download=True,
transform=transforms)
}
image_datasets
输出:
{'test': Dataset CIFAR10
Number of datapoints: 10000
Root location: ../Data
Split: Test
StandardTransform
Transform: Compose(
ToTensor()
Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))
), 'train': Dataset CIFAR10
Number of datapoints: 50000
Root location: ../Data
Split: Train
StandardTransform
Transform: Compose(
ToTensor()
Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))
)}
#CREATING DATA LOADER
data_loaders = {
'train': DataLoader(image_datasets['train'], 10, shuffle=True),
'test': DataLoader(image_datasets['test'], 10)}
当我调用len(data_loaders['train'])
时,它返回
5000
定义数据加载器时,我使用的是batch_size=10
。是我的data_loader的长度除以我的batch_size。刚开始编码,只是想仔细检查一下。
简而言之,
len(data_loaders['train'].dataset)
提供数据集中的实例数量,例如CIFAR10中的50000个实例len(data_loaders['train'])
为您提供该数据加载器中的批次数量,例如,如果您的批次_大小=10,则CIFA10中的5000。批次数由len(dataset)/(batch_size)
计算
因此,当我们计算每个历元中的精度时,我们将正确的数除以len(data_loaders['train'].dataset)
而不是len(data_loaders['train'])
,因为我在Stack Overflow中为精度超过100%的人修复了这个错误,原因是除以len(data_loaders['train'])
。