使用DatasetFromFolder()函数加载数据集中的文件夹数据集

DatasetFromFolder()是PyTorch中用于加载文件夹数据集的函数。它将一个文件夹中的图像数据加载为PyTorch中的Dataset对象，可以方便地进行数据预处理和数据增强操作。

使用DatasetFromFolder()函数需要先安装torchvision库，可以使用以下命令进行安装：

pip install torchvision

下面是一个使用DatasetFromFolder()函数加载数据集的示例：

import torchvision.transforms as transforms
from torchvision.datasets import DatasetFromFolder
from torch.utils.data import DataLoader

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((256, 256)),  # 调整图像大小为256x256
    transforms.RandomCrop((224, 224)),  # 随机裁剪图像为224x224
    transforms.RandomHorizontalFlip(),  # 随机水平翻转图像
    transforms.ToTensor(),  # 将图像转换为Tensor
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),  # 图像标准化
])

# 加载训练集数据
train_dataset = DatasetFromFolder(root='train/', transform=transform)
train_loader = DataLoader(dataset=train_dataset, batch_size=32, shuffle=True)

# 加载验证集数据
valid_dataset = DatasetFromFolder(root='valid/', transform=transform)
valid_loader = DataLoader(dataset=valid_dataset, batch_size=32, shuffle=False)

# 加载测试集数据
test_dataset = DatasetFromFolder(root='test/', transform=transform)
test_loader = DataLoader(dataset=test_dataset, batch_size=32, shuffle=False)

在上述示例中，我们先定义了一个数据预处理的transform对象，其中包含了图像大小调整、随机裁剪、随机水平翻转、图像转换为Tensor和图像标准化的操作。

然后，我们使用DatasetFromFolder()函数分别加载了训练集、验证集和测试集的数据。其中，root参数指定数据集所在的文件夹路径，transform参数指定数据预处理的操作。加载完成后，我们可以使用DataLoader对象将数据集的样本划分为mini-batch，并在训练过程中进行迭代。

需要注意的是，在加载数据集时，文件夹的结构应满足以下形式：

root/
    class1/
        image1.jpg
        image2.jpg
        ...
    class2/
        image1.jpg
        image2.jpg
        ...
    ...

具体而言，root路径下应包含每个类别的子文件夹，每个子文件夹中放置该类别的图像文件。

通过使用DatasetFromFolder()函数，我们可以方便地加载文件夹数据集，并对图像进行预处理和增强，以便用于训练、验证和测试模型。