深度学习图像多分类任务训练集和测试集制作pytorch代码

对于图像多分类任务，我们需要准备好训练集和测试集，并且需要把图像转换成PyTorch中的`Tensor`格式。以下是一个简单的例子：

import os
import torch
import torchvision.transforms as transforms
from torchvision.datasets import ImageFolder
from torch.utils.data import DataLoader

# 定义数据转换
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225])
])

# 加载训练集
train_dataset = ImageFolder(root='./train', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

# 加载测试集
test_dataset = ImageFolder(root='./test', transform=transform)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

假设我们的训练集和测试集分别保存在`./train`和`./test`文件夹中，每个文件夹下都有多个子文件夹，每个子文件夹包含一种类别的图片。`ImageFolder`类会自动把图片按照类别进行分类，并且把图片转换成`Tensor`格式。

在上面的代码中，我们使用了`transforms`模块来定义数据转换的操作，包括将图片重新调整大小为256x256、居中裁剪为224x224、将像素值归一化到0到1之间、使用均值和标准差进行标准化处理等操作。这些操作可以提高模型的训练效果。

最后我们使用`DataLoader`类来加载数据集。`DataLoader`类可以帮助我们自动批量加载数据，并且可以进行数据打乱和多线程加载等操作。在训练过程中，我们可以使用`train_loader`来加载训练集数据，使用`test_loader`来加载测试集数据。