本文共 1100 字，大约阅读时间需要 3 分钟。

   
   
   
创建了一个高效的数据集类，用于处理图像分类任务
   
从 PIL 导入 Image
从 pandas 导入 pandas 为 pd
从 numpy 导入 numpy 为 np
从 torchvision.transforms 导入 transforms
从 torch.utils.data 导入 Dataset 和 DataLoader
从 os 导入 os
定义数据集类 Mydataset，用于加载和处理图像分类数据
类 Mydataset(Dataset):
    初始化方法：
        接收数据路径 dir_path 和 CSV 文件路径 csv
        定义数据增强方法 transform 和 target_transform（可选）
    方法 __getitem__：
        根据索引获取单个样本
        读取对应的图像文件
        获取对应的标签
        应用数据增强方法
        返回处理后的图像和标签
    方法 __len__：
        返回数据集的总长度
数据增强方法定义：
    使用Compose 方法组合多个数据增强操作
    包括：
        ToTensor：将图像转换为 tensor 类型
        Resize：调整图像大小为 150x150
        CenterCrop：中心剪裁图像
        Normalize：对图像进行标准化处理
创建数据集实例：
    train_data = Mydataset(
        dir_path='./97/train/',
        csv='./97/train.csv',
        transform=transform
    )
创建数据加载器：
    trainloader = DataLoader(
        train_data,
        batch_size=16,
        shuffle=True,
        num_workers=0
    )
遍历数据集：
    for i_batch, batch_data in enumerate(trainloader):
        获取当前批次的数据
        包含图像和标签
   
   

优化说明：

转载地址：http://vlxfk.baihongyu.com/