from torch.utils.data import Dataloader

from torch.utils.data import DataLoader
DataLoader(
    dataset,
    batch_size=1,
    shuffle=False,
    num_workers=0,
    collate_fn=None,
    pin_memory=False,
 )
"""
dataset:是數(shù)據(jù)集
batch_size:是指一次迭代中使用的訓(xùn)練樣本數(shù)。通常我們將數(shù)據(jù)分成訓(xùn)練集和測(cè)試集，并且我們可能有不同的批量大小。
shuffle:是傳遞給 DataLoader 類(lèi)的另一個(gè)參數(shù)。該參數(shù)采用布爾值（真/假）。如果 shuffle 設(shè)置為 True，則所有樣本都被打亂并分批加載。否則，它們會(huì)被一個(gè)接一個(gè)地發(fā)送，而不會(huì)進(jìn)行任何洗牌。
num_workers:允許多處理來(lái)增加同時(shí)運(yùn)行的進(jìn)程數(shù)
collate_fn：合并數(shù)據(jù)集
pin_memory:鎖頁(yè)內(nèi)存：將張量固定在內(nèi)存中
"""

# Import MNIST
from torchvision.datasets import MNIST
# Download and Save MNIST 
data_train = MNIST('~/mnist_data', train=True, download=True)
# Print Data
print(data_train)
print(data_train[12])
#Dataset MNIST Number of datapoints: 60000 Root location: /Users/viharkurama/mnist_data Split: Train (<PIL.Image.Image image mode=L size=28x28 at 0x11164A100>, 3)

import matplotlib.pyplot as plt
random_image = data_train[0][0]
random_image_label = data_train[0][1]
# Print the Image using Matplotlib
plt.imshow(random_image)
print("The label of the image is:", random_image_label)

import torch
from torchvision import transforms
data_train = torch.utils.data.DataLoader(
    MNIST(
          '~/mnist_data', train=True, download=True, 
          transform = transforms.Compose([
              transforms.ToTensor()
          ])),
          batch_size=64,
          shuffle=True
          )
for batch_idx, samples in enumerate(data_train):
      print(batch_idx, samples)

#__getitem__() 方法通過(guò)索引返回?cái)?shù)據(jù)集中選定的樣本。
#__len__() 方法返回?cái)?shù)據(jù)集的總大小。例如，如果您的數(shù)據(jù)集包含 1,00,000 個(gè)樣本，則 len 方法應(yīng)返回 1,00,000。
class Dataset(object):
    def __getitem__(self, index):
        raise NotImplementedError
    def __len__(self):
        raise NotImplementedError

import torch
import torchvision
from torch.utils.data import Dataset, DataLoader
from torchvision import datasets, transforms
class SquareDataset(Dataset):
     def __init__(self, a=0, b=1):
         super(Dataset, self).__init__()
         assert a <= b
         self.a = a
         self.b = b
     def __len__(self):
         return self.b - self.a + 1
     def __getitem__(self, index):
        assert self.a <= index <= self.b
        return index, index**2
data_train = SquareDataset(a=1,b=64)
data_train_loader = DataLoader(data_train, batch_size=64, shuffle=True)
print(len(data_train))

import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np

transform = transforms.Compose([
    # resize
    transforms.Resize(32),
    # center-crop
    transforms.CenterCrop(32),
    # to-tensor
    transforms.ToTensor(),
    # normalize
    transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
])
"""
resize:此調(diào)整大小轉(zhuǎn)換將所有圖像轉(zhuǎn)換為定義的大小。在這種情況下，我們要將所有圖像的大小調(diào)整為 32×32。因此，我們將 32 作為參數(shù)傳遞。
center-crop:接下來(lái)，我們使用 CenterCrop 變換裁剪圖像。 我們發(fā)送的參數(shù)也是分辨率/大小，但由于我們已經(jīng)將圖像大小調(diào)整為 32x32，因此圖像將與此裁剪中心對(duì)齊。 這意味著圖像將從中心裁剪 32 個(gè)單位（垂直和水平）。
to-tensor:我們使用 ToTensor() 方法將圖像轉(zhuǎn)換為張量數(shù)據(jù)類(lèi)型。
normalize:這將張量中的所有值歸一化，使它們位于 0.5 和 1 之間。
"""

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=False)