Python 在不使用数据加载程序的情况下转换每个训练点

我刚刚发现，即使

torchvision.dataset.MNIST

接受

transformer

参数

transform=transforms.compose(
[transforms.ToTensor（），transforms.Normalize（（0.5，），（0.5，）]
)
mnist_trainset=datasets.mnist(
root=“mnist”，train=True，download=True，transform=transform
)

…从

mnist\u列车组.data

变量获得的值仍未转换（请注意，关于

变压器的行为，应将（0，255）范围内的数据标准化为（-1，1））

[102]mnist\u testset.data[0].min（）
张量（0，dtype=torch.uint8）
[103]mnist_testset.data[0].max（）
张量（255，dtype=torch.uint8）

我尝试在
mnist\u trainset.data
上调用
mnist\u trainset.transform
，但输出形状不是我想要的

[104] mnist_testset.data.shape
torch.Size([10000, 28, 28])

[105] transform(mnist_testset.data).shape
torch.Size([3, 28, 28])

# Should be [10000, 28, 28] as identical to the original data.

我可以使用
DataLoader
加载整个训练集，并将洗牌设置为
False
，但我认为这太过分了。使用已定义的
transformer
对象转换整个
mnist\u测试集
的最佳方法是什么，以获得预期的转换图像，而不必逐个手动进行转换？
当您使用其
\uu getitem\uuu
方法对数据集进行采样时，将调用转换。因此，您可以执行以下操作来获取所有转换的数据

imgs_transformed = []
for img, label in mnist_testset:
    imgs_transformed.append(img[0,:,:])

或者使用列表理解

imgs_transformed = [img[0,:,:] for img, label in mnist_testset]


如果你想把它变成一个大张量，你可以使用
torch.stack

data_transformed = torch.stack(imgs_transformed, dim=0)

如果您正在传递
MNIST
的
data
字段，则在
transform
中不需要
ToTensor（）。你能试着把它从
transform
中删除，然后像这样在第一个维度中传递
tensor
未经查询：
transform（mnist_testset.data.unsqueze（dim=1））
？谢谢！是的，
ToTensor（）
在我的代码中，大写，当我粘贴到这里时，我不小心将所有文本的大写字母都降低了。删除
转换
并将代码结果运行到
类型错误：tensor不是火炬图像。
。MNIST数据集在
MNIST中应用转换之前，将每个样本转换为
PIL.image
。\uu getitem\uuuuuuu
因此，如果使用
MNIST\u测试集对数据集进行采样，则必须使用
ToTensor
[idx]
或者如果您使用数据加载器。关于这个答案，我希望会有一些“Pythonista”，一个线性代码来完成这项工作。不幸的是，似乎有一个。另一个选项是使用
DataLoader
，其大小设置为数据集的长度，并且没有如前所述的混乱。无论如何，感谢您的友好回答！是的，最明显的方法是使用DataLoader，我从最初的问题中了解到，您想要一个解决方案它不依赖于数据加载器。