### 使用PyTorch加载和读取CINIC-10数据集 CINIC-10 是一种扩展版的 CIFAR-10 数据集，它包含了更多的训练样本以及验证集和测试集。由于 PyTorch 的官方 `torchvision.datasets` 并未直接支持 CINIC-10 数据集[^1]，因此需要手动下载并配置该数据集。 以下是通过 Python 和 PyTorch 加载 CINIC-10 数据集的一个方法： #### 下载数据集 首先，需从公开资源中下载 CINIC-10 数据集，并将其解压到指定目录。假设数据存储路径为 `/path/to/cinic-10/`。 #### 配置自定义 Dataset 类 可以利用 PyTorch 提供的 `ImageFolder` 工具来快速构建数据加载器。 ```python import torch from torchvision import transforms, datasets from torch.utils.data import DataLoader # 定义图像预处理操作 transform = transforms.Compose([ transforms.Resize((32, 32)), # 调整大小至 32x32 像素 transforms.ToTensor(), # 将图片转换成 Tensor transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 归一化 ]) # 设置数据集路径 data_dir = '/path/to/cinic-10' # 创建 ImageFolder 实例分别用于训练集、验证集和测试集 train_dataset = datasets.ImageFolder(root=f'{data_dir}/train', transform=transform) valid_dataset = datasets.ImageFolder(root=f'{data_dir}/valid', transform=transform) test_dataset = datasets.ImageFolder(root=f'{data_dir}/test', transform=transform) # 构建 DataLoaders batch_size = 64 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) valid_loader = DataLoader(valid_dataset, batch_size=batch_size, shuffle=False) test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False) ``` 以上代码展示了如何使用 `datasets.ImageFolder` 来加载本地文件夹中的图像数据，并对其进行必要的预处理[^1]。 #### 关键点说明 1. **数据结构**：CINIC-10 文件夹应按照标准分类方式组织，即每个类别对应一个子文件夹。 2. **Transforms**：为了提高模型性能，通常会对输入图像应用一系列变换（如调整尺寸、随机裁剪等）。 3. **DataLoader**：这是批量加载数据的核心工具，能够高效管理内存与计算资源。 ---