加载人脸图像数据集，输出数据集的data部分；

加载人脸图像数据集通常涉及以下几个步骤：

1. **数据获取**：首先，你需要找到合适的人脸图像数据集，比如LFW（Labeled Faces in the Wild），CelebA，VGGFace等。这些数据集通常包含预处理好的图像文件和相应的标签信息。

2. **数据结构**：数据集的数据部分通常包含两个部分：图像数据和标签数据。图像数据是以数组形式存储的，每个元素代表一张图片的像素值，如RGB颜色通道的数值。例如，对于一张256x256大小的图片，数据可能是类似`numpy.array([...])`的形式。

3. **读取方式**：使用Python库，如PIL、OpenCV或TensorFlow提供的API，你可以从文件系统读取并加载图像到内存中。如果是大型数据集，可能会选择将数据转换成更高效的格式，如TFRecord或HDF5，以便于进一步处理。

4. **预处理**：加载后，可能需要对图像进行缩放、裁剪、归一化等预处理操作，以便于输入到机器学习模型。

示例代码片段（假设使用PIL库）：

import os
from PIL import Image

# 假设data_dir是人脸图像数据集的根目录，images是一个空列表用于存放图像数据
data_dir = 'path/to/data/directory'
images = []

for img_name in os.listdir(data_dir):
    img_path = os.path.join(data_dir, img_name)
    with Image.open(img_path) as img:
        # 图像预处理步骤...
        processed_img_data = np.array(img)
        images.append(processed_img_data)

# labels同样需要按顺序对应
labels = [get_label_from_file(os.path.splitext(img_name)[0], data_dir) for img_name in os.listdir(data_dir)]

# 数据分割（训练集、验证集、测试集）
train_images, train_labels, val_images, val_labels, test_images, test_labels = split_dataset(images, labels, ratio=[0.7, 0.15, 0.15])

# 输出data部分：这里是指images和对应的labels列表
data = {'images': train_images + val_images + test_images, 'labels': train_labels + val_labels + test_labels}