基础知识 || 快速入门 || 张量 || 数据集和数据加载器 || 转换 || 构建模型 || 自动求导 || 优化 || 保存和加载模型
数据转换
数据并不总是以训练机器学习算法所需的最终处理形式呈现。我们使用transforms来对数据进行一些操作，使其适合训练。
所有 TorchVision 数据集都有两个参数：transform 用于修改特征，target_transform 用于修改标签。这两个参数接受包含转换逻辑的可调用对象。torchvision.transforms 模块提供了几种常用的转换操作。
FashionMNIST 数据集的特征是 PIL 图像格式，标签是整数。对于训练，我们需要将特征转换为归一化的张量，标签转换为 one-hot 编码的张量。为了实现这些转换，我们使用 ToTensor 和 Lambda。
importtorch
fromtorchvisionimport datasets
fromtorchvision.transformsimport ToTensor, Lambda
ds = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
0%| | 0.00/26.4M [00:00<?, ?B/s]
0%| | 65.5k/26.4M [00:00<01:12, 363kB/s]
1%| | 197k/26.4M [00:00<00:34, 765kB/s]
2%|1 | 492k/26.4M [00:00<00:20, 1.28MB/s]
6%|6 | 1.67M/26.4M [00:00<00:05, 4.40MB/s]
15%|#4 | 3.83M/26.4M [00:00<00:02, 7.99MB/s]
34%|###4 | 9.04M/26.4M [00:00<00:00, 19.3MB/s]
49%|####9 | 13.0M/26.4M [00:00<00:00, 24.3MB/s]
61%|######1 | 16.2M/26.4M [00:01<00:00, 23.2MB/s]
79%|#######8 | 20.7M/26.4M [00:01<00:00, 29.1MB/s]
93%|#########2| 24.4M/26.4M [00:01<00:00, 31.2MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.4MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 329kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|1 | 65.5k/4.42M [00:00<00:12, 361kB/s]
5%|5 | 229k/4.42M [00:00<00:06, 681kB/s]
20%|## | 885k/4.42M [00:00<00:01, 2.04MB/s]
64%|######3 | 2.82M/4.42M [00:00<00:00, 6.65MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.08MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 34.4MB/s]
ToTensor()
ToTensor 将 PIL 图像或 NumPy ndarray 转换为 FloatTensor，并将图像的像素强度值缩放到范围 [0., 1.] 内。
Lambda 变换
Lambda 变换允许应用任何用户自定义的 lambda 函数。在这里，我们定义了一个函数，将整数转换为 one-hot 编码的张量。它首先创建一个大小为 10 的零张量（数据集中标签的数量），然后调用 scatter_，该函数将 value=1 赋值给由标签 y 指定的索引。
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))