比较与torchvision.datasets.ImageFolder的差异

查看源文件

torchvision.datasets.ImageFolder

class torchvision.datasets.ImageFolder(
    root: str,
    transform: Optional[Callable] = None,
    target_transform: Union[Callable, NoneType] = None,
    loader: Optional[Callable] = None,
    is_valid_file: bool = None)

更多内容详见torchvision.datasets.ImageFolder

mindspore.dataset.ImageFolderDataset

class mindspore.dataset.ImageFolderDataset(
    dataset_dir,
    num_samples=None,
    num_parallel_workers=None,
    shuffle=None,
    sampler=None,
    extensions=None,
    class_indexing=None,
    decode=False,
    num_shards=None,
    shard_id=None,
    cache=None,
    decrypt=None)

更多内容详见mindspore.dataset.ImageFolderDataset

差异对比

PyTorch:从树状结构的文件目录中读取图片构建源数据集,将image和label的变换操作集成在参数中。支持自定义读取方法。

MindSpore:从树状结构的文件目录中读取图片构建源数据集,对image和label的变换需要使用mindspore.dataset.map操作。不支持自定义读取方法。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

root

dataset_dir

-

参数2

transform

-

MindSpore通过 mindspore.dataset.map 操作支持

参数3

target_transform

-

MindSpore通过 mindspore.dataset.map 操作支持

参数4

loader

-

MindSpore不支持

参数5

is_valid_file

-

MindSpore不支持

参数6

-

num_samples

指定从数据集中读取的样本数

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

-

extensions

指定读取文件的扩展名

参数11

-

class_indexing

指定文件夹名称到label索引的映射

参数12

-

decode

指定是否对图像进行解码

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

假设文件目录具有如下树状结构:

imageset/
    ├── cat
    │   ├── cat_0.jpg
    │   ├── cat_1.jpg
    │   └── cat_2.jpg
    ├── fish
    │   ├── fish_0.jpg
    │   ├── fish_1.jpg
    │   ├── fish_2.jpg
    │   └── fish_3.jpg
    ├── fruits
    │   ├── fruits_0.jpg
    │   ├── fruits_1.jpg
    │   └── fruits_2.jpg
    ├── plane
    │   ├── plane_0.jpg
    │   ├── plane_1.jpg
    │   └── plane_2.jpg
    └── tree
        ├── tree_0.jpg
        ├── tree_1.jpg
        └── tree_2.jpg
# Torch
import torchvision.transforms as T
import torchvision.datasets as datasets
from torch.utils.data import DataLoader

root = "/path/to/imageset/"
dataset = datasets.ImageFolder(root, transform=T.RandomCrop((256, 256)))
dataloader = DataLoader(dataset)

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

root = "/path/to/imageset/"
ms_dataloader = ds.ImageFolderDataset(root, decode=True)
ms_dataloader = ms_dataloader.map(vision.RandomCrop((256, 256)), ["image"])