首页 后端教程python正文

CelebA 是 PyTorch

wufei123 2025-01-05 阅读:97 评论:0
请我喝杯咖啡☕ *我的帖子解释了 celeba。 celeba() 可以使用 celeba 数据集，如下所示： *备忘录： 第一个参数是 root（必需类型：str 或 pathlib.path）。 *绝对或相对路径都是可能的。...

请我喝杯咖啡☕

*我的帖子解释了 celeba。

celeba() 可以使用 celeba 数据集，如下所示：

*备忘录：

  • 第一个参数是 root（必需类型：str 或 pathlib.path）。 *绝对或相对路径都是可能的。
  • 第二个参数是 split(可选-默认:"train"-类型:str)。 *可以设置“train”（162,770张图片）、“valid”（19,867张图片）、“test”（19,962张图片）或“all”（202,599张图片）。
  • 第三个参数是target_type（可选-默认：“attr”-类型：str或str列表）： *备注：
    • 可以为其设置“attr”、“identity”、“bbox”和/或“landmark”。
    • 也可以设置空列表。
    • 可以设置多个相同的值。
    • 如果值的顺序不同，则其元素的顺序也会不同。
  • 第四个参数是transform(optional-default:none-type:callable)。
  • 第 5 个参数是 target_transform(optional-default:none-type:callable)。
  • 第 6 个参数是 download(可选-默认:false-类型:bool): *备注：
    • 如果为 true，则从互联网下载数据集并解压（解压）到根目录。
    • 如果为 true 并且数据集已下载，则将其提取。
    • 如果为 true 并且数据集已下载并提取，则不会发生任何事情。
    • 如果数据集已经下载并提取，则应该为 false，因为它速度更快。
    • 下载数据集需要 gdown。
    • 您可以从这里手动下载并解压数据集（img_align_celeba.zip with identity_celeba.txt、list_attr_celeba.txt、list_bbox_celeba.txt、list_eval_partition.txt 和 list_landmarks_align_celeba.txt）到 data/celeba/。
PHP
from torchvision.datasets import CelebA

train_attr_data = CelebA(
    root="data"
)

train_attr_data = CelebA(
    root="data",
    split="train",
    target_type="attr",
    transform=None,
    target_transform=None,
    download=False
)

valid_identity_data = CelebA(
    root="data",
    split="valid",
    target_type="identity"
)

test_bbox_data = CelebA(
    root="data",
    split="test",
    target_type="bbox"
)

all_landmarks_data = CelebA(
    root="data",
    split="all",
    target_type="landmarks"
)

all_empty_data = CelebA(
    root="data",
    split="all",
    target_type=[]
)

all_all_data = CelebA(
    root="data",
    split="all",
    target_type=["attr", "identity", "bbox", "landmarks"]
)

len(train_attr_data), len(valid_identity_data), len(test_bbox_data)
# (162770, 19867, 19962)

len(all_landmarks_data), len(all_empty_data), len(all_all_data)
# (202599, 202599, 202599)

train_attr_data
# Dataset CelebA
#     Number of datapoints: 162770
#     Root location: data
#     Target type: ['attr']
#     Split: train

train_attr_data.root
# 'data'

train_attr_data.split
# 'train'

train_attr_data.target_type
# ['attr']

print(train_attr_data.transform)
# None

print(train_attr_data.target_transform)
# None

train_attr_data.download
# <bound method CelebA.download of Dataset CelebA
#     Number of datapoints: 162770
#     Root location: data
#     Target type: ['attr']
#     Split: train>

len(train_attr_data.attr), train_attr_data.attr
# (162770, tensor([[0, 1, 1, ..., 0, 0, 1],
#                  [0, 0, 0, ..., 0, 0, 1],
#                  [0, 0, 0, ..., 0, 0, 1],
#                  ...,
#                  [1, 0, 1, ..., 0, 1, 1],
#                  [0, 0, 0, ..., 0, 0, 1],
#                  [0, 1, 1, ..., 1, 0, 1]]))

len(train_attr_data.attr_names), train_attr_data.attr_names
# (41, ['5_o_Clock_Shadow', 'Arched_Eyebrows', 'Attractive', 
#       'Bags_Under_Eyes', 'Bald', 'Bangs', 'Big_Lips', 'Big_Nose',
#       'Black_Hair', 'Blond_Hair', 'Blurry', 'Brown_Hair',
#       ...
#       'Wearing_Necklace', 'Wearing_Necktie', 'Young', ''])

len(train_attr_data.identity), train_attr_data.identity
# (162770, tensor([[2880], [2937], [8692], ..., [7391], [8610], [2304]]))

len(train_attr_data.bbox), train_attr_data.bbox
# (162770, tensor([[95, 71, 226, 313],
#                  [72, 94, 221, 306],
#                  [216, 59, 91, 126],
#                  ...,
#                  [103, 103, 143, 198],
#                  [30, 59, 216, 280],
#                  [376, 4, 372, 515]]))

len(train_attr_data.landmarks_align), train_attr_data.landmarks_align
# (162770, tensor([[69, 109, 106, ..., 152, 108, 154],
#                  [69, 110, 107, ..., 151, 108, 153],
#                  [76, 112, 104, ..., 156, 98, 158],
#                  ...,
#                  [69, 113, 109, ..., 151, 110, 151],
#                  [68, 112, 109, ..., 150, 108, 151],
#                  [70, 111, 107, ..., 153, 102, 152]]))

train_attr_data[0]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([0, 1, 1, 0, 0, 0, 0, 0, 0, 0,
#          0, 1, 0, 0, 0, 0, 0, 0, 1, 1,
#          0, 1, 0, 0, 1, 0, 0, 1, 0, 0,
#          0, 1, 1, 0, 1, 0, 1, 0, 0, 1]))

train_attr_data[1]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([0, 0, 0, 1, 0, 0, 0, 1, 0, 0,
#          0, 1, 0, 0, 0, 0, 0, 0, 0, 1,
#          0, 1, 0, 0, 1, 0, 0, 0, 0, 0,
#          0, 1, 0, 0, 0, 0, 0, 0, 0, 1]))

train_attr_data[2]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([0, 0, 0, 0, 0, 0, 1, 0, 0, 0,
#          1, 0, 0, 0, 0, 0, 0, 0, 0, 0,
#          1, 0, 0, 1, 1, 0, 0, 1, 0, 0,
#          0, 0, 0, 1, 0, 0, 0, 0, 0, 1]))

valid_identity_data[0]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor(2594))

valid_identity_data[1]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor(2795))

valid_identity_data[2]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor(947))

test_bbox_data[0]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([147, 82, 120, 166]))

test_bbox_data[1]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([106, 34, 140, 194]))

test_bbox_data[2]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([107, 78, 109, 151]))

all_landmarks_data[0]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([69, 109, 106, 113, 77, 142, 73, 152, 108, 154]))

all_landmarks_data[1]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([69, 110, 107, 112, 81, 135, 70, 151, 108, 153]))

all_landmarks_data[2]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  tensor([76, 112, 104, 106, 108, 128, 74, 156, 98, 158]))

all_empty_data[0]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>, None)

all_empty_data[1]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>, None)

all_empty_data[2]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>, None)

all_all_data[0]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  (tensor([0, 1, 1, 0, 0, 0, 0, 0, 0, 0,
#           0, 1, 0, 0, 0, 0, 0, 0, 1, 1,
#           0, 1, 0, 0, 1, 0, 0, 1, 0, 0,
#           0, 1, 1, 0, 1, 0, 1, 0, 0, 1]),
#   tensor(2880),
#   tensor([95, 71, 226, 313]),
#   tensor([69, 109, 106, 113, 77, 142, 73, 152, 108, 154])))

all_all_data[1]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  (tensor([0, 0, 0, 1, 0, 0, 0, 1, 0, 0,
#           0, 1, 0, 0, 0, 0, 0, 0, 0, 1,
#           0, 1, 0, 0, 1, 0, 0, 0, 0, 0,
#           0, 1, 0, 0, 0, 0, 0, 0, 0, 1]),
#   tensor(2937),
#   tensor([72, 94, 221, 306]),
#   tensor([69, 110, 107, 112, 81, 135, 70, 151, 108, 153])))

all_all_data[2]
# (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=178x218>,
#  (tensor([0, 0, 0, 0, 0, 0, 1, 0, 0, 0,
#           1, 0, 0, 0, 0, 0, 0, 0, 0, 0,
#           1, 0, 0, 1, 1, 0, 0, 1, 0, 0,
#           0, 0, 0, 1, 0, 0, 0, 0, 0, 1]),
#  tensor(8692),
#  tensor([216, 59, 91, 126]),
#  tensor([76, 112, 104, 106, 108, 128, 74, 156, 98, 158])))

import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
from matplotlib.patches import Circle

def show_images(data, main_title=None):
    if "attr" in data.target_type and len(data.target_type) == 1 
        or not data.target_type:
        plt.figure(figsize=(12, 6))
        plt.suptitle(t=main_title, y=1.0, fontsize=14)
        for i, (im, _) in enumerate(data, start=1):
            plt.subplot(2, 5, i)
            plt.imshow(X=im)
            if i == 10:
                break
        plt.tight_layout(h_pad=3.0)
        plt.show()
    elif "identity" in data.target_type and len(data.target_type) == 1:
        plt.figure(figsize=(12, 6))
        plt.suptitle(t=main_title, y=1.0, fontsize=14)
        for i, (im, lab) in enumerate(data, start=1):
            plt.subplot(2, 5, i)
            plt.title(label=lab.item())
            plt.imshow(X=im)
            if i == 10:
                break
        plt.tight_layout(h_pad=3.0)
        plt.show()
    elif "bbox" in data.target_type and len(data.target_type) == 1:
        fig, axes = plt.subplots(nrows=2, ncols=5, figsize=(12, 6))
        fig.suptitle(t=main_title, y=1.0, fontsize=14)
        for (i, (im, (x, y, w, h))), axis 
            in zip(enumerate(data, start=1), axes.ravel()):
            axis.imshow(X=im)
            rect = Rectangle(xy=(x, y), width=w, height=h,
                             linewidth=3, edgecolor='r',
                             facecolor='none')
            axis.add_patch(p=rect)
            if i == 10:
                break
        fig.tight_layout(h_pad=3.0)
        plt.show()
    elif "landmarks" in data.target_type and len(data.target_type) == 1:
        plt.figure(figsize=(12, 6))
        plt.suptitle(t=main_title, y=1.0, fontsize=14)
        for i, (im, lm) in enumerate(data, start=1):
            px = []
            py = []
            for j, v in enumerate(lm):
                if j%2 == 0:
                    px.append(v)
                else:
                    py.append(v)
            plt.subplot(2, 5, i)
            plt.imshow(X=im)
            plt.scatter(x=px, y=py)
            if i == 10:
                break
        plt.tight_layout(h_pad=3.0)
        plt.show()
    elif len(data.target_type) == 4:
        fig, axes = plt.subplots(nrows=2, ncols=5, figsize=(12, 6))
        fig.suptitle(t=main_title, y=1.0, fontsize=14)
        for (i, (im, (_, lab, (x, y, w, h), lm))), axis 
            in zip(enumerate(data, start=1), axes.ravel()):
            axis.set_title(label=lab.item())
            axis.imshow(X=im)
            rect = Rectangle(xy=(x, y), width=w, height=h,
                             linewidth=3, edgecolor='r',
                             facecolor='none', clip_on=True)
            axis.add_patch(p=rect)
            for j, (px, py) in enumerate(lm.split(2)):
                axis.add_patch(p=Circle(xy=(px, py)))
            # for j, v in enumerate(lm):
            #     if j%2 == 0:
            #         px.append(v)
            #     else:
            #         py.append(v)
            # axis.scatter(x=px, y=py)
            # axis.plot(px, py)
# `axis.scatter()` and `axis.plot()` of `plt.subplots()` don't work
# properly. They shrink images so use `axis.add_patch()` instead.
            if i == 10:
                break
        fig.tight_layout(h_pad=3.0)
        plt.show()

show_images(data=train_attr_data, main_title="train_attr_data")
show_images(data=valid_identity_data, main_title="valid_identity_data")
show_images(data=test_bbox_data, main_title="test_bbox_data")
show_images(data=all_landmarks_data, main_title="all_landmarks_data")
show_images(data=all_empty_data, main_title="all_empty_data")
show_images(data=all_all_data, main_title="all_all_data")

CelebA 是 PyTorch

CelebA 是 PyTorch

CelebA 是 PyTorch

CelebA 是 PyTorch

CelebA 是 PyTorch

CelebA 是 PyTorch

以上就是CelebA 是 PyTorch的详细内容，更多请关注知识资源分享宝库其它相关文章！

版权声明

本站内容来源于互联网搬运，
仅限用于小范围内传播学习，请在下载后24小时内删除，
如果有侵权内容、不妥之处，请第一时间联系我们删除。敬请谅解!
E-mail：dpw1001@163.com

分享：

扫一扫在手机阅读、分享本文

上一篇：Faiss 与 RAG 的 sqlite 下一篇：可扩展软件架构的基本 Python 设计模式
相关阅读
发表评论
wufei123

wufei123

23823文章数 0评论数
最近文章
浏览更多
随机文章
热门文章

  • BioWare埃德蒙顿工作室面临关闭危机，龙腾世纪制作总监辞职引关注（龙腾.总监.辞职.危机.面临.....）

    BioWare埃德蒙顿工作室面临关闭危机，龙腾世纪制作总监辞职引关注（龙腾.总监.辞职.危机.面临.....）
    知名变性人制作总监corrine busche离职bioware，引发业界震荡！外媒“smash jt”独家报道称，《龙腾世纪：影幢守护者》制作总监corrine busche已离开bioware，此举不仅引发了关于个人职业发展方向的讨论，更因其可能预示着bioware埃德蒙顿工作室即将关闭而备受关注。本文将深入分析busche离职的原因及其对bioware及游戏行业的影响。 Busche的告别信：挑战与感激并存 据“Smash JT”获得的内部邮件显示，Busche离职原...

  • 闪耀暖暖靡城永恒怎么样-闪耀暖暖靡城永恒套装介绍（闪耀.暖暖.套装.介绍.....）

    闪耀暖暖靡城永恒怎么样-闪耀暖暖靡城永恒套装介绍（闪耀.暖暖.套装.介绍.....）
    闪耀暖暖钻石竞技场第十七赛季“华梦泡影”即将开启！全新闪耀性感套装【靡城永恒】震撼来袭！想知道如何获得这套精美套装吗？快来看看吧！ 【靡城永恒】套装设计理念抢先看： 设计灵感源于夜色中的孤星，象征着淡然、漠视一切的灰色瞳眸。设计师希望通过这套服装，展现出在虚幻与真实交织的夜幕下，一种独特的魅力。 服装细节考究，从面料的光泽、鞋跟声响到裙摆的弧度，都力求完美还原设计初衷。 【靡城永恒】套装设计亮点： 闪耀的绸缎与金丝交织，轻盈的羽毛增添华贵感。 这套服装仿佛是从无尽的黑...

  • python怎么调用其他文件函数

    python怎么调用其他文件函数
    在 python 中调用其他文件中的函数，有两种方式：1. 使用 import 语句导入模块，然后调用 [模块名].[函数名]()；2. 使用 from ... import 语句从模块导入特定函数，然后调用 [函数名]()。 如何在 Python 中调用其他文件中的函数 在 Python 中，您可以通过以下两种方式调用其他文件中的函数： 1. 使用 import 语句 优点：简单且易于使用。 缺点：会将整个模块导入到当前作用域中，可能会导致命名空间混乱。 步骤：...

  • 俄罗斯引擎yandex入口官网地址 yandex网址在线免费进入（俄罗斯.官网.在线免费.入口.地址......）

    俄罗斯引擎yandex入口官网地址 yandex网址在线免费进入（俄罗斯.官网.在线免费.入口.地址......）
    俄罗斯引擎yandex官网地址入口在哪里？这是不少网友都关注的问题，接下来由php小编为大家带来yandex网址在线免费进入，感兴趣的网友一起随小编来瞧瞧吧！ 俄罗斯引擎yandex入口官网地址 1、俄罗斯引擎yandex入口官网地址☜☜☜☜☜点击进入 2、yandex网址在线免费进入☜☜☜☜☜点击进入 【俄罗斯引擎yandex】 1、Yandex的搜索引擎在俄罗斯拥有极高的市场份额，其算法针对俄语和斯拉夫语系进行了优化，能更好地理解用户意图，提供更精准的搜索结果。它不仅...

  • 斗魔骑士哪个角色强势-斗魔骑士角色推荐与实力解析（骑士.角色.强势.解析.实力.....）

    斗魔骑士哪个角色强势-斗魔骑士角色推荐与实力解析（骑士.角色.强势.解析.实力.....）
    斗魔骑士角色选择及战斗策略指南 斗魔骑士游戏中，众多角色各具特色，选择适合自己的角色才能在战斗中占据优势。本文将为您详细解读如何选择强力角色，并提供团队协作及角色培养策略。 如何选择强力角色？ 斗魔骑士的角色大致分为近战和远程两种类型。近战角色通常拥有高攻击力和防御力，适合冲锋陷阵；远程角色则擅长后方输出，并依靠灵活走位躲避攻击。 选择角色时，需根据个人游戏风格和喜好决定。喜欢正面硬刚的玩家可以选择战士型角色，其高生命值和防御力能承受更多伤害；偏好策略性玩法的玩家则可以选择法...
最近发表
标签列表

版权声明：
本站内容来源于互联网搬运，
仅限用于小范围内传播学习，请在下载后24小时内删除，
如果有侵权内容、不妥之处，请第一时间联系我们删除。敬请谅解!
E-mail：dpw1001@163.com

资源网 资源网之家 知识资源分享宝库 资源小站

Powered By Z-BlogPHP  Theme By 老白编程