PyTorch重难点（二）——构建基于Dataset和DataLoader的数据集实战代码

目录

一、案例分析
二、代码实现
二-1 自定义数据与标签处理
二-2 基于Dataset类的数据构建
二-3 数据实例化操作的具体实现
二-4 数据集划分策略的说明
二-5 数据加载工具的具体应用
二-6 加载后的数据展示效果

上文PyTorch重难点（一）——利用Dataset和DataLoader构建数据集原理介绍中讲解了PyTorch中Dataset和DataLoader的基本原理；接下来将通过案例进行代码实战介绍。

一、案例描述

在原始程序中，我首先创建了一个手势识别的数据集，并将其分为手势图像和标签两大类。其中包含1320张手势图像，每张图像均为单通道、300×300像素大小的矩阵形式（尺寸表示为[1320, 300, 300]）。对应的标签数量也为1320个（尺寸表示为[1320]），为了简化实现过程，在实际应用中我们通常会采用更小规模的数据集进行开发测试。因此，在本例中我手动构造了一个与之相似的自定义数据集，并将其样本数量设定为50个、每张图像仍保持300×300像素的分辨率进行创建，并通过相应的数据处理流程将其组织成可被系统识别的数据集合体

二、代码实战

2.1 自定义数据和标签

自定义一个样本数量为50，大小为300 *300的图像数据集：