import torchvision
from torch.utils.tensorboard import SummaryWriter
import numpy as np

train_set = torchvision.datasets.CIFAR10(
    root='./data',
    train=True,
    download=True
)

print(f'数据集大小:{len(train_set)}')
print(f'第一张图片类型：{type(train_set[0])}')

img, label = train_set[0]
print(f'图片尺寸：{img.size}')
print(f'图片类别：{label}')
print(f'类别名字：{train_set.classes[label]}')

writer = SummaryWriter('logs_dataset')
for i in range(10):
    img, label = train_set[i]
    img_np = np.array(img)
    writer.add_image(f'cifar10/{train_set.classes[label]}', img_np, i, dataformats='HWC')
writer.close()
print('完成')

1.torchvision：PyTorch 的计算机视觉工具包，专门用来处理图像和视频数据的库。

2.train_set=torchvision.datasets.CIFAR10(
root =‘./data’,
train =True,
download =True
)
torchvision.datasets.CIFAR10：
torchvision，库。
datasets，模块。
CIFAR10，类，是一个在计算机视觉领域非常经典的彩色图像分类数据集，包含60,000张32x32像素的彩色图片
root =‘./data’,数据下载路径
train =True,（True，表示训练集，false，表示测试集）
训练集：50,000张图片，每个类别有5,000张，用于训练模型。
测试集：10,000张图片，每个类别有1,000张，用于评估模型效果。
训练集图片多，测试集图片少，不能反过来。如果训练少，测试多，它会有很多没见过的情况，你就测试不出来什么了
download =True，本地没有就下载

3.print(f’第一张图片类型：{type(train_set[0])}')
train_set[0]，train_set对象正常不能[0]，由于train_set[0]等价于train_set.getitem(0)，getitem__魔法 方法内部实现了对象[索引]的功能
返回类型是元组。因为train_set[0]由.CIFAR10类实例化，CIFAR10中有__getitem 方法return img, label

4.img,label=train_set[0]
这里是解包，打包发生在return img, label 时

5.print(f’类别名字：{train_set.classes[label]}')
classes是列表，CIFAR10出生时自带，可以将label转化成name，比如label=1时，train_set.classes[label]是飞机.