帮我用pytorch写一个读取NUE-WIDE数据集的图片和标签的代码，分测试集和数据集

好的，以下是用PyTorch读取NUE-WIDE数据集的图片和标签的代码，同时将数据集分为训练集和测试集：

import torch
from torch.utils.data import DataLoader, Dataset
from torchvision import transforms
from PIL import Image
import os

class NUEWIDEDataset(Dataset):
    def __init__(self, root_dir, transform=None):
        self.root_dir = root_dir
        self.transform = transform
        self.images = []
        self.labels = []
        for label in os.listdir(root_dir):
            for image_file in os.listdir(os.path.join(root_dir, label)):
                self.images.append(os.path.join(root_dir, label, image_file))
                self.labels.append(int(label))

    def __len__(self):
        return len(self.images)

    def __getitem__(self, idx):
        image = Image.open(self.images[idx]).convert('RGB')
        label = self.labels[idx]
        if self.transform:
            image = self.transform(image)
        return image, label

transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

dataset = NUEWIDEDataset(root_dir='path/to/dataset', transform=transform)

train_dataset, test_dataset = torch.utils.data.random_split(dataset, [int(len(dataset)*0.8), len(dataset)-int(len(dataset)*0.8)])

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=True)

在这个示例中，我们首先定义了一个`NUEWIDEDataset`类，它继承了`Dataset`类，并实现了`__init__`、`__len__`和`__getitem__`方法。在`__init__`方法中，我们遍历数据集中的每个标签和图像文件，并将它们分别存储在`self.labels`和`self.images`中。在`__getitem__`方法中，我们打开图像文件并将其转换为`PIL.Image`对象，并返回图像和标签。

接下来，我们使用`transforms`模块定义了一个转换序列，该序列将图像大小调整为`(224, 224)`，将其转换为`Tensor`对象，并将其归一化为范围`[-1,1]`。然后，我们使用`NUEWIDEDataset`类初始化了一个数据集对象，并使用`torch.utils.data.random_split`函数将数据集分成了训练集和测试集。最后，我们使用`DataLoader`类将数据集转换为可迭代的数据加载器，并设置了每个批次的大小和是否随机打乱数据集。