比较与torchvision.datasets.CelebA的差异
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)
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 |
|
参数5 |
target_transform |
- |
MindSpore通过 |
|
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"])