比较与torchvision.datasets.CIFAR100的差异

torchvision.datasets.CIFAR100

class torchvision.datasets.CIFAR100(
    root: str,
    train: bool = True,
    transform: Optional[Callable] = None,
    target_transform: Optional[Callable] = None,
    download: bool = False)

更多内容详见torchvision.datasets.CIFAR100。

mindspore.dataset.Cifar100Dataset

class mindspore.dataset.Cifar100Dataset(
    dataset_dir,
    usage=None,
    num_samples=None,
    num_parallel_workers=None,
    shuffle=None,
    sampler=None,
    num_shards=None,
    shard_id=None,
    cache=None)

更多内容详见mindspore.dataset.Cifar100Dataset。

差异对比

PyTorch：读取CIFAR-100数据集（仅支持CIFAR-10 python version版本）。将image和label的变换操作集成在参数中。

MindSpore：读取CIFAR-100数据集（仅支持CIFAR-10 binary version版本），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	train	-	指定是否为训练集，MindSpore通过参数usage支持
	参数3	transform	-	MindSpore通过 mindspore.dataset.map 操作支持
	参数4	target_transform	-	MindSpore通过 mindspore.dataset.map 操作支持
	参数5	download	-	MindSpore不支持
	参数6	-	usage	指定数据集的子集
	参数7	-	num_samples	指定从数据集中读取的样本数
	参数8	-	num_parallel_workers	指定读取数据的工作线程数
	参数9	-	shuffle	指定是否混洗数据集
	参数10	-	sampler	指定从数据集中选取样本的采样器
	参数11	-	num_shards	指定分布式训练时将数据集进行划分的分片数
	参数12	-	shard_id	指定分布式训练时使用的分片ID号
	参数13	-	cache	指定单节点数据缓存服务

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.CIFAR100(root, train=True, transform=T.RandomCrop((28, 28)))
dataloader = DataLoader(dataset)

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

# Download the dataset files, unzip into the following structure
#  .
#  └── /path/to/dataset_directory/
#      ├── train.bin
#      ├── test.bin
#      ├── fine_label_names.txt
#      └── coarse_label_names.txt
root = "/path/to/dataset_directory/"
ms_dataloader = ds.Cifar100Dataset(root, usage='train')
ms_dataloader = ms_dataloader.map(vision.RandomCrop((28, 28)), ["image"])