比较与torchvision.datasets.CelebA的差异

查看源文件

torchvision.datasets.CelebA

class torchvision.datasets.CelebA(
    root: str,
    split: str = 'train',
    target_type: Union[List[str], str] = 'attr',
    transform: Optional[Callable] = None,
    target_transform: Optional[Callable] = None,
    download: bool = False)

更多内容详见torchvision.datasets.CelebA

mindspore.dataset.CelebADataset

class mindspore.dataset.CelebADataset(
    dataset_dir,
    num_parallel_workers=None,
    shuffle=None,
    usage='all',
    sampler=None,
    decode=False,
    extensions=None,
    num_samples=None,
    num_shards=None,
    shard_id=None,
    cache=None,
    decrypt=None)

更多内容详见mindspore.dataset.CelebADataset

差异对比

PyTorch:读取CelebA(CelebFaces Attributes)数据集。将image和label的变换操作集成在参数中。

MindSpore:读取CelebA(CelebFaces Attributes)数据集,不支持下载,对image和label的变换需要使用mindspore.dataset.map操作。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

root

dataset_dir

-

参数2

split

usage

-

参数3

target_type

-

-

参数4

transform

-

MindSpore通过 mindspore.dataset.map 操作支持

参数5

target_transform

-

MindSpore通过 mindspore.dataset.map 操作支持

参数6

download

-

MindSpore不支持

参数7

-

num_parallel_workers

指定读取数据的工作线程数

参数8

-

shuffle

指定是否混洗数据集

参数9

-

sampler

指定采样器

参数10

-

decode

指定是否对图像进行解码

参数11

-

extensions

指定读取文件的扩展名

参数12

-

num_samples

指定从数据集中读取的样本数

参数13

-

num_shards

指定分布式训练时将数据集进行划分的分片数

参数14

-

shard_id

指定分布式训练时使用的分片ID号

参数15

-

cache

指定单节点数据缓存服务

参数16

-

decrypt

指定图像解密函数

代码示例

# PyTorch
import torchvision.transforms as T
import torchvision.datasets as datasets
from torch.utils.data import DataLoader

root = "/path/to/dataset_directory/"
dataset = datasets.CelebA(root, split='train', target_type="attr", transform=T.ToTensor(), download=True)
dataloader = DataLoader(dataset)

# MindSpore
import mindspore.dataset as ds
import mindspore.dataset.vision as vision

# Download CelebA dataset files, unzip the img_align_celeba.zip and put list_attr_celeba.txt together like
# .
# └── /path/to/dataset_directory/
#      ├── list_attr_celeba.txt
#      ├── 000001.jpg
#      ├── 000002.jpg
#      ├── 000003.jpg
#      ├── ...
root = "/path/to/dataset_directory/"
ms_dataloader = ds.CelebADataset(root, usage='train', decode=True)
ms_dataloader = ms_dataloader.map(vision.ToTensor(), ["image"])