torchvision处理图像的
pytorch官网上看数据集的包，COCO数据集目标检测、语义分割，cifar物体识别
预训练好的模型
这个模块是图片的处理
root-位置，train-创建的true是个训练集，transform
前面是输出图片的数据类型，“3”是target
import torchvision
from torch.utils.tensorboard import SummaryWriter
dataset_transform = torchvision.transforms.Compose([
torchvision.transforms.ToTensor()
])
# ###########数据集的下载，和测试集属性的展示
# train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, download=True)
# test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, download=True)
train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, transform=dataset_transform, download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=dataset_transform, download=True)
# print(test_set.classes)
# print(test_set[0])
# img, traget = test_set[0]
# print(img)
# print(traget)#对应的是猫
# print(test_set.classes[traget])
# img.show()
# print(test_set[0])
#和transform进行联动使用，要给pytorch进行使用的时候要转为tensor数据类型，把数据的
#用tensorboard进行展示
writer = SummaryWriter("p10")
#显示测试数据集中的前10张图片
for i in range(10):
img, traget = test_set[i]
writer.add_image("test_set", img, i)
writer.close()Dataloader使用，从dataset加载数据，把数据加载到神经网络当中。
以扑克牌为例，batch_size就是每次去抓牌抓两张，shuffle打乱，num_workers多个进程。
drop_last，例如我们有100张拍，要取他的1/3，当他除不尽，剩下的余数是要取出来还是舍去。
这边batch_size=4的效果，相当于它会把getitem得到的数据进行一个打包，然后做dataloader的返回。
随机抓取4张图片
随机抓取64张图片效果展示，并且对比了drop_list有没有的情况，没有drop_list的情况下有156步，但是第156步只有16张图片，这可能导致获取的数据的大小不合适
