1.1.2 导入数据集

在PyTorch中，有一个非常重要且好用的包是torchvision，该包主要由3个子包组成，分别是models、datasets和transforms。models定义了许多用来完成图像方面深度学习的任务模型。datasets中包含MNIST、Fake Data、COCO、LSUN、ImageFolder、DatasetFolder、ImageNet、CIFAR等一些常用的数据集，并且提供了数据集设置的一些重要参数，可以通过简单数据集设置来进行数据集的调用。transforms用来对数据进行预处理，预处理会加快神经网络的训练，常见的预处理包括从数组转成张量（tensor）、归一化等常见的变化。本章导入主要涉及datasets和transforms，下面通过例子来讲解。

上述代码最外层调用了DataLoader对数据进行封装，而里面涉及了datasets和transforms。对于root目录，PyTorch会检测数据是否存在，当数据不存在时，系统会自动将数据下载到data文件夹中。其中的transforms对原数据进行了两个操作，一个是ToTensor，用来把PIL.Image（RGB）或者numpy.ndarray（H×W×C）0~255的值映射到0~1的范围内，并转换成Tensor格式；另一个是Normalize(mean,std)，用来实现归一化，不同数据集中图像通道的均值（mean）和标准差（std）这两个数值是不一样的，MNIST数据集的均值是0.1307，标准差是0.3081，这些系数是数据集提供方计算好的，有利于加快神经网络的训练。我们随机取一个batch下的数据进行观察，并将其可视化画出来，结果如图1-2所示。

图1-2 数据加载后的部分示例