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)

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"])