Deep learning 如何在一个数据结构中加载所有5批CIFAR10，如PyTorch中的MNIST？

使用Mnist，我有一个带标签的文件和一个列车文件，因此我只需执行以下操作：

self.data = datasets.MNIST(root='./data', train=True, download=True)

基本上，我创建了一组标签（从0到9）并将图像的第I个位置保存在数据结构中，以创建自定义任务：

   def make_tasks (self):
            self.task_to_examples = {} #task 0-9
            self.all_tasks = set (self.data.train_labels.numpy ())
            for i, digit in enumerate (self.data.train_labels.numpy ()):
                if str(digit) not in self.task_to_examples:
                    self.task_to_examples[str(digit)] = []
                self.task_to_examples[str(digits)].append(i)

---

我不知道如何使用CIFAR10做同样的事情，因为它分为5个批次，我希望所有的数据都在一个结构中。

如果您想要的结构是

{“class\u id:[样本索引]}

，那么对于CIFAR10，您可以这样做：

将numpy导入为np
进口火炬视觉
#相应地扎根
cifar=torchvision.dataset.CIFAR10（root=“.”，train=True，download=True）
任务到示例={
str（task_id）：np.where（cifar.targets==task_id）[0].tolist（）
对于np.unique（cifar.targets）中的任务id
}

我用这种方式加载所有5个批次？@mega是的，torchvision会为您这样做。顺便说一下，样本本身在 CiFAR中损坏。数据< /代码> @ MyGA考虑了投票和/或标记作为答案，如果它帮助了你，我可以在哪里私下联系你？@ MyGA你可以在我的个人资料中找到更多的信息，但是如果你想问问题，我强烈建议你坚持栈溢出。