目录
零、前言
一、构建自己的数据集
二、代码与分析
1、依赖库的导入
2、超参数以及CPU/GPU的设置
3、图像预处理模块的建立
4、数据的读取
码字不易，如果各位看官感觉该文章对你有所帮助，麻烦点个关注，如果有任何问题，请留言交流。如需转载，请注明出处，谢谢。
文章链接：
【深度学习】如何使用pytorch训练自己的数据（一）
零、前言
通过我之前的文章相信大家已经了解如何进行pytorch环境的搭建，以及了解了数据集的作用。今天我们就直接使用该环境进行实战，搭建一个框架，构件卷积神经网络，并且能够训练测试自己的数据集。如前期流程不懂的朋友，参见我以前的博文：
pytorch网络搭建 ：
数据集的概念与区别：
首先，为什么我们不使用Minist等现有数据集进行测试？比如，用代码下载数据集然后读取文件，如何如何。我认为这并没有什么卵用，现实的工程实践都是自己采集处理的数据集，读取分析的都是自己的图像，现成的数据集对我们没有什么参考价值。
一、构建自己的数据集
冠字号是人民币的唯一标识，银行等通过冠字号来确定该钱币的来源与去向，所以本实验以冠字号码识别为例，进行讲解。首先将数据集分为训练集（Train）与验证集（Validation），训练集和验证集均对数字2、6、7、9，进行构件样本。
考虑到数据集的均衡性，每个训练集的每一个类别的训练样本个数为2000个左右。验证集的样本，每一个类别为100个左右。
每一个样本的大小为单通道32*32像素的灰度图。
构件好了数据集，我们就可以写代码了。
二、代码与分析
废话不多说，直接上代码。
1、依赖库的导入
首先就是先要导入我们所需要的各种库:
其中torch和torchvision就不用多说了，既然使用了pytorch那么这两个库是最基本的。
datasets：这里面有我们常用的几个数据集，当然，还可以加载我们自己的数据集；
transform：包含常用的图像处理操作，包含，随机切割，旋转，缩放等，以及数据类型的转换，比如，tensor到numpy的转换。
import torch
import torchvision
from torch.autograd import Variable
from torchvision import transforms
from torchvision import datasets2、超参数以及CPU/GPU的设置
然后进行设置一下超参数，这里我们确定了batchSize,以及是否使用GPU
BATCH_SIZE = 64
DEVICE = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
print(DEVICE)下图是我VSCODE的输出，证明我电脑上有GPU。
3、图像预处理模块的建立
下面将定义对数据的预处理模块，我们使用transforms对输入的图像（32*32）进行处理，这里我们将图像缩放至28*28，该操作是因为我们下面要定义的卷积神经网络的输入为28*28，为了更高效，你也可以在定义数据集的时候，直接将数据缩放至28*28，缩放后转换成tensor，这里训练集和验证集要做同样的处理，当然，针对你工程实践中的其他要求，还可以做其他的处理，在transforms.Compose中添加即可。
transform = transforms.Compose([
transforms.Resize((28, 28)),
transforms.ToTensor(),
])
transform_test = transforms.Compose([
transforms.Resize((28, 28)),
transforms.ToTensor(),
])4、数据的读取
通过绝对路径对训练集和验证集进行读取，读取的同时做上面定义的预处理操作，datasets的方便之处就在于，他会自动加载图片与标签，你的每一个类别的文件夹名就是该图像的标签，非常的方便，非常的NICE。
#读取数据
dataset_train = datasets.ImageFolder('D:/PROJECTS/pythonProject/data/Train', transform)
dataset_test = datasets.ImageFolder('D:/PROJECTS/pythonProject/data/Validation',transform_test)
# 读取数据
print(dataset_train.imgs)由下图可以看到，datasets自动确定了图像的类别，并给每个类别分配索引。相当的OK。
未完待续。。。
