%matplotlib inline
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l

代碼執行流程圖

3.5.1 讀取數據集

trans = transforms.ToTensor()
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)

下載并加載FashionMNIST數據集
?關鍵參數?：
transform=trans：將圖像轉換為張量（形狀 [1, 28, 28]，值域 [0,1]）。
download=True：若本地無數據則自動下載。
?數據集結構?：
訓練集：60,000 張 28x28 灰度圖像。
測試集：10,000 張 28x28 灰度圖像。

def get_fashion_mnist_labels(labels):text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat', 'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']return [text_labels[int(i)] for i in labels]

標簽映射
將數字標簽（0-9）轉換為可讀的文本標簽（如 0 → ‘t-shirt’）。

def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):figsize = (num_cols * scale, num_rows * scale)_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)axes = axes.flatten()for i, (ax, img) in enumerate(zip(axes, imgs)):if torch.is_tensor(img):ax.imshow(img.numpy())else:ax.imshow(img)ax.axes.get_xaxis().set_visible(False)ax.axes.get_yaxis().set_visible(False)if titles:ax.set_title(titles[i])return axes

輸入 imgs 可以是張量或PIL圖像。
squeeze()：移除單通道維度（1x28x28 → 28x28），否則 imshow 可能報錯。
cmap=‘gray’：確保灰度圖正確顯示（默認可能為彩色）。

X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y));

?輸出?：顯示 2行x9列 的圖像網格，標題為對應的文本標簽。
X.reshape(18, 28, 28)：調整形狀以匹配 imshow 的輸入要求（原始形狀為 18x1x28x28）。

3.5.2 讀取小批量

batch_size = 256def get_dataloader_workers():return 4  # 根據CPU核心數調整（通常設為4-8）train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers())

shuffle=True：打亂訓練數據順序，避免模型記憶批次。
num_workers=4：啟用4個進程并行加載數據，加速數據讀取。

timer = d2l.Timer()
for X, y in train_iter:continue
print(f'加載時間：{timer.stop():.2f} sec')

‘2.30 sec’

3.5.3 整合所有組件

def load_data_fashion_mnist(batch_size, resize=None):trans = [transforms.ToTensor()]if resize:trans.insert(0, transforms.Resize(resize)) # Resize必須在ToTensor前trans = transforms.Compose(trans)mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)return (data.DataLoader(mnist_train, batch_size, shuffle=True,num_workers=get_dataloader_workers()),data.DataLoader(mnist_test, batch_size, shuffle=False,num_workers=get_dataloader_workers()))

?功能擴展?：支持調整圖像尺寸（如 resize=64 將圖像縮放為 64x64）。
?預處理順序?：
Resize（若指定）
ToTensor（轉為張量并歸一化）

train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
for X, y in train_iter:print(f'X形狀: {X.shape}, 數據類型: {X.dtype}')  # 輸出如 torch.Size([32,1,64,64])print(f'y形狀: {y.shape}, 數據類型: {y.dtype}')  # 輸出如 torch.int64break

X形狀: torch.Size([32, 1, 64, 64]), 數據類型: torch.float32
y形狀: torch.Size([32]), 數據類型: torch.int64

X.shape = [batch_size, channels, height, width]
y 為標簽張量，形狀 [batch_size]