目录
现在来开一个专栏，关于学习Pytorch深度学习的入门基础，分为好几期，我会慢慢更新，希望大家可以互相支持一下，相互学习，相互进步！下面是这个专栏的所有内容，大家可以点击下面链接跳转，我会持续更新。
Pytorch深度学习入门基础（一）：环境安装配置anaconda安装及pytorch安装
https://blog.csdn.net/weixin_51971381/article/details/141034980?spm=1001.2014.3001.5501Pytorch深度学习入门基础（二）：python 编辑器的选择、 安装及配置（ pycharm、 jupyter）https://blog.csdn.net/weixin_51971381/article/details/141048774 这一节我们来讲一下数据加载，在神经网络深度学习当中，加载数据集是训练模型的第一步，我们需要讲数据集加载进来进而来实现后面学习的过程。
一、 导入
假设我们有一堆垃圾， 我们想对这些垃圾进行分类处理， 这里我们引进一个Dataset， 它可以用来将垃圾进行分类， 并且对垃圾进行编号， 其次还可以获取垃圾对应的 label， 也就是可以提供一种方式去获取数据及其 label。
除此之外，我们还需要把分类好的垃圾送进一个网络里面训练， 我们不会选择一个一个垃圾放进去训练， 我们会选择将一些垃圾打包送进网络里面， 这里我们就引一个 Dataloader， 为后面的网络提供不同的数据形式。
二、数据集中数据和 label 的组成形式
接下来我们来实践一下， 我们先下载好一个数据集， 如下图所示， 在 train文件夹里面有两个物体的图片分别是 ants 和 bees， 每个文件夹里面的都说该文件夹名称对应的小动物， 因此， 在这里我们可以把图片当成数据， 把文件夹的名字当成数据对应的 label。
还有另外的一种数据集文件的形式， 如下图所示， 训练的图片都在同一个文件夹里面（ train_images） ， 而训练图片对应的标签是在另外一个文件夹里面（ train_labels）。
三、 Dataset 读入数据
首先我们先创建一个文件： read_data.py
from torch.utils.data import Dataset
从这句代码中表示的是从torch的常用工具区（ utils） 的关于数据区（ data） 导入 Dataset。------也就是导入一个库。
四、Dataset 类代码实战
4.1 创建函数
①先创建一个 MyData 的类， 在类里面继承 Dataset， 然后在里面先进行初始化， 就是为了创建的 class 类里面的全局变量。
②接下来我们重写 getitem 函数， 函数的参数 idx 表示的是图片的序号， 在这个函数里面我们需要用 opencv 或者从 PIL 导入 Image 来进行读取图片的绝对路径。
然后我们将数据集放到项目相同的路径下
接下来我们在 python 控制台来使用一下 Image 读取图片
接下来如果我们要获取到所有图片的地址， 这里我们导入 os 包， 我们在将使用文件夹的相对地址， 并且将文件夹下的图片名称全部转换成一个列表， 如下图所示：
4.2 设置初始化函数
①我们在初始化函数当中， 设置两个参数， 第一个是 root_dir 表示的是文件夹的路径， 第二个是 label_dir， 表示的是图片的 label。
在这里我们在介绍一下 os 的 join 函数， 如下图所示， 我们的 train 文件夹下有两个子文件夹， 分别是 ants 和 bees
然后我们创建 root_dir 为 train 文件夹的相对路径， 把 label_dir 设置为子文件夹的名称， 接下来我们在使用 os.path.join()函数， 就可以实现将 root_dir 和label_dir 进行加起来， 实现获得 ants 或者 bees 的相对路径。 如下图所示：
②我们在初始化当中写入全局变量， 一般在初始化函数当中我们会使用 self， 它的作用是可以把 self 指定的变量给后面的变量使用， 相当于指定了该 class 里的全局变量， 这样在该 class 下的函数都是可以使用的。
在该部分我们设置全局变量 root_dir 和 label_dir， 并且设置全局变量 path，该变量是使用 os.path.join()将 root_dir 和 label_dir 合并在一起的路径。
除此之外我们还需要获取所有图片名称返回来的列表， 因此我们设置全局变量 img_path， 该变量使用 os.listdir()来获取。
4.3 读取每一个图片
我们设置 img_name 变量， 该变量从全局变量 self.img_path 中， 通过索引（ idx）获取图片的名称
接下来我们将通过 os.path.join()函数将图片的相对路径给构建出来
我们来通过 python 控制台来演示一下： 设置 idx=0， 获取到第一张图片的相对路径， 如下图所示
最后我们进行读取图片， 通过使用 PIL 中的 Image 来读取， 如下图所示：
而在这个数据集当中， 文件夹名称就是我们的 labe， 而且在初始化当中我们已经设置了关于 label 的全局变量， 因此， 这里我们就直接把全局变量赋值给 label，最后这个函数我们需要返回 image 和 label， 如下图所示
4.4 设置获取数据长度函数
可以直接返回我们获取到图片路径的列表长度， 如下图所示：
4.5 创建实例
在我们调用前面使用的 class 的时候， pycharm 会自动告诉我们需要填写哪些参数。
4.5.1 单个图片数据集
由上图可知我们需要创建一个 root_dir 和 label_dir， 因此我们设置好参数后，如下图所示：
通过 python 控制台运行我们上方的所有代码， 可以发现我们创建的ant_dataset 调用的是 MyData， 因此会返回图片和 label 的信息：
4.5.2 多个图片数据集
上面我们只使用了 ants 数据集里面的图片， 接下来我们将 bees 的数据集图片也加进来：
我们将 ants 数据集和 bees 数据集合并成一个 train 训练集， 则可以直接相加，如下图所示：
如果我们需要通过窗口显示出图片， 可以使用以下代码， 我们以查看索引为1 的图片为例
OK，本期分享就到这，下一期我们继续讲解。感谢大家的阅读本文，接下来我还会持续学习并且分享更多的学习经验哦！
