Pytorch 在ImageNet中使用类的子集

我知道ImageNet的子集是存在的，但是它们不能满足我的要求。我想要50个以其本机ImageNet分辨率的类

为此，我使用

torch.utils.data.dataset.Subset

从ImageNet中选择特定的类。然而，事实证明，类标签/索引必须大于0且小于

num\u classes

因为ImageNet包含1000个类，所以我选择的类的idx很快超过50个。我如何重新分配等级指数，并以允许以后进行评估的方式进行分配

---

有没有更优雅的方法来选择子集？

我不确定我是否理解您关于标签大于零且小于

num\u类的结论。助手接收一个
torch.utils.data.Dataset
和一系列索引，它们对应于要保留在子集中的
Dataset
中的数据点索引。这些指数与它们所属的类别无关

以下是我的做法：

通过加载数据集（自定义数据集的工作方式相同）。在这里，我将向FashionList演示，因为ImageNet的数据不是通过torchvision的API直接提供的

>>> ds = torchvision.datasets.FashionMNIST('.')
>>> len(ds)
60000


定义要为子集数据集选择的类。并从主数据集中检索与这些类对应的所有索引：

>>> targets = [1, 3, 5, 9]
>>> indices = [i for i, label in enumerate(ds.targets) if label in targets]


您有自己的子集：

>>> ds_subset = Subset(ds, indices)
>>> len(ds_subset)
24000


此时，您可以使用字典使用
目标重新映射标签：

>>> remap = {i:x for i, x in enumerate(targets)}
{0: 1, 1: 3, 2: 5, 3: 9}

例如：

>>> x, y = ds_subset[10]
>>> y, remap[y] # old_label, new_label
1, 3


我不确定我是否理解您关于标签大于零且小于
num\u类
的结论。助手接收一个
torch.utils.data.Dataset
和一系列索引，它们对应于要保留在子集中的
Dataset
中的数据点索引。这些指数与它们所属的类别无关

以下是我的做法：

通过加载数据集（自定义数据集的工作方式相同）。在这里，我将向FashionList演示，因为ImageNet的数据不是通过torchvision的API直接提供的

>>> ds = torchvision.datasets.FashionMNIST('.')
>>> len(ds)
60000


定义要为子集数据集选择的类。并从主数据集中检索与这些类对应的所有索引：

>>> targets = [1, 3, 5, 9]
>>> indices = [i for i, label in enumerate(ds.targets) if label in targets]


您有自己的子集：

>>> ds_subset = Subset(ds, indices)
>>> len(ds_subset)
24000


此时，您可以使用字典使用
目标重新映射标签：

>>> remap = {i:x for i, x in enumerate(targets)}
{0: 1, 1: 3, 2: 5, 3: 9}

例如：

>>> x, y = ds_subset[10]
>>> y, remap[y] # old_label, new_label
1, 3