### 下载适合 PyTorch 图像识别任务的数据集 为了完成图像识别任务，通常可以使用 `torchvision.datasets` 提供的功能来下载标准数据集。这些数据集经过优化处理，可以直接用于模型训练和验证。 #### 使用 torchvision 自带功能下载常用数据集 PyTorch 的子库 `torchvision` 中提供了许多常用的图像分类数据集，例如 CIFAR-10 和 ImageNet（部分版本）。可以通过以下方式轻松下载并加载： ```python from torchvision import datasets, transforms import torch transform = transforms.Compose([ transforms.Resize((224, 224)), # 调整大小到统一尺寸 transforms.ToTensor(), # 将 PIL 图片转换成张量 ]) train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False) ``` 上述代码展示了如何通过 `datasets.CIFAR10` 方法自动下载 CIFAR-10 数据集，并将其转化为可用于训练的 DataLoader 对象[^1]。 #### 手动准备本地数据集 如果需要自定义数据集，则可利用 `ImageFolder` 类从文件夹中加载图像数据。假设目录结构如下： ``` ./data/ ├── class_1/ │ ├── img1.jpg │ └── ... └── class_2/ ├── imgA.png └── ... ``` 此时可通过以下方法加载数据： ```python dataset = datasets.ImageFolder(root='./data', transform=transforms.ToTensor()) dataloader = torch.utils.data.DataLoader(dataset, batch_size=32, shuffle=True) ``` 此方法会根据文件夹名称自动生成类别标签。 #### 利用第三方工具扩展数据源 对于更复杂的需求，还可以借助其他资源获取数据集。例如 Kaggle 平台提供大量公开竞赛中的高质量数据集。下载完成后，按照前述方法手动配置路径即可。 另外，在某些场景下可能需要动态读取特定目录下的所有图片文件名列表，这可以用 Python 的内置模块实现[^2]: ```python from os import listdir pics = listdir('./data') for pic in pics: print(pic) ``` 以上脚本能够打印指定目录内的所有文件名，便于进一步筛选目标样本集合。 ---