1. dataloader查看迭代数据
phase_dataset = PhaseDataset(transforms=T.ToTensor())
phase_loader = DataLoader(phase_dataset, batch_size=1)
dataiter = iter(phase_loader)
t_data, g_data = next(dataiter) # 第一个数据
t_data, g_data = next(dataiter) # 第二个数据
2. tensor变array
numpy.array(Hor_tensor)
3.数据集划分为训练集和验证集
已知所有数据在一个文件夹内，先用Dataset获取所有文件，再用random_spilt划分
phase_dataset = PhaseDataset(transforms=T.ToTensor())
train_dataset, val_dataset = random_split(phase_dataset, [round(0.8 * len(phase_dataset)), round(0.2 * len(phase_dataset))],
generator=torch.Generator().manual_seed(42)) # 把数据机随机切分训练集和验证集
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=0)
val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=True, num_workers=0)
参考代码
import torch
from torch.utils.data import random_split
dataset = range(10)
train_dataset, test_dataset = random_split(
dataset=dataset,
lengths=[7, 3],
generator=torch.Generator().manual_seed(0) # 随机种子
# 保证实验可重复
)
print(list(train_dataset))
print(list(test_dataset))
4.pytorch 的weight数据类型为float32，输入数据需和其保持一致
（1）三维初始化数据，各个维度数据经数分别进行据强制转换，无效；
（2）作为一个整体转换，有效
# method1
g_data = np.empty([512, 512, 2])
g_data[:, :, 1] = np.array(t_data, dtype='float32')
g_data[:, :, 0] = np.array(t_data, dtype='float32') # 转换失效
c_data = np.array(g_data, dtype='float32') # 有效
# method2
c_data = g_data.astype(np.float32)
