mnist数据集预处理pytorch

在PyTorch中预处理MNIST数据集的步骤如下：

1. 导入必要的库和模块：

import torch
import torchvision
import torchvision.transforms as transforms

2. 定义数据转换：

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

这里使用了`transforms.Compose`将多个数据转换操作组合在一起，其中`transforms.ToTensor()`将数据转换为张量，`transforms.Normalize()`对数据进行标准化处理。

3. 加载训练集和测试集：

trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

这里使用了`torchvision.datasets.MNIST`加载MNIST数据集，并将之前定义的数据转换应用到数据集中。然后使用`torch.utils.data.DataLoader`将数据集转换为可迭代的数据加载器。

4. 查看数据：

import matplotlib.pyplot as plt
import numpy as np

# functions to show an image
def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % labels[j] for j in range(64)))

这里使用了`matplotlib`库来显示图像，`torchvision.utils.make_grid()`将多张图像拼接在一起，`np.transpose()`将通道维度放到最后。