### PyTorch 中 `datasets.MNIST` 的数据结构和内容说明 #### 数据集的定义 在 PyTorch 中，`torchvision.datasets.MNIST` 是一个用于加载 MNIST 手写数字数据集的类。该数据集包含 28x28 像素的灰度图像，每张图像对应一个手写数字（0 到 9）。数据集分为训练集和测试集两部分，分别包含 60,000 和 10,000 张图像[^2]。 #### 数据集的参数 创建 `MNIST` 数据集时需要指定以下参数： - `root`: 指定数据存储的路径。 - `train`: 是否加载训练集（`True`）或测试集（`False`）。 - `transform`: 对图像进行预处理的函数，例如将图像转换为张量并归一化。 - `download`: 如果数据不存在于指定路径，则是否自动下载。 示例代码如下： ```python import torchvision.datasets as dset import torchvision.transforms as transforms # 定义数据集 mnist_train = dset.MNIST('./data', train=True, transform=transforms.ToTensor(), download=True) mnist_test = dset.MNIST('./data', train=False, transform=transforms.ToTensor(), download=True) ``` #### 数据结构和内容 通过索引访问数据集时，返回的是一个元组 `(image, label)`，其中： - `image`: 图像数据，经过 `transform` 处理后通常是一个形状为 `(1, 28, 28)` 的张量，表示单通道灰度图像。 - `label`: 图像对应的标签，是一个整数，取值范围为 0 到 9。 示例代码展示如何获取第一张训练图像及其标签： ```python image, label = mnist_train[0] print(image.shape) # 输出: torch.Size([1, 28, 28]) 表示图像尺寸[^2] print(label) # 输出: 图像对应的标签，例如 5 ``` #### 数据集的长度 可以通过 `len()` 函数获取数据集的大小。例如： ```python print(len(mnist_train)) # 输出: 60000 表示训练集的大小 print(len(mnist_test)) # 输出: 10000 表示测试集的大小 ``` #### 使用 DataLoader 加载数据 为了高效地批量加载数据，可以使用 `torch.utils.data.DataLoader`。它支持批量加载、数据打乱等功能。示例如下： ```python from torch.utils.data import DataLoader train_loader = DataLoader(mnist_train, batch_size=128, shuffle=True) test_loader = DataLoader(mnist_test, batch_size=128, shuffle=False) # 遍历数据集 for images, labels in train_loader: print(images.shape) # 输出: torch.Size([128, 1, 28, 28]) print(labels.shape) # 输出: torch.Size([128]) break ``` #### 数据存储位置 当设置 `download=True` 时，如果数据尚未存在于指定路径，则会从网络下载并保存到 `root` 路径中。例如，上述代码中的数据会被保存到 `./data` 目录下[^5]。 --- ###